近年来,随着全球经济不断发展,道路上的车辆越来越多,随之而来的是城市交通拥堵和交通事故增加。先进驾驶辅助系统和无人驾驶技术可以通过提醒驾驶员或接管驾驶员操作的方式来降低事故发生率,提高交通运输效率。车道线识别是先进驾驶辅助系统和无人驾驶技术的重要组成部分之一,可以为车道偏离预警、路径规划、横向控制等提供反馈。然而,快速的车道线识别算法容易受光照条件、遮挡、天气等影响,高精度的车道线识别算法计算量较大,运行速度相对逊色。因此,兼具鲁棒性与快速性的车道线识别算法研究是当前的研究热点。针对以上问题,本文提出了一种基于深度学习语义分割和光流估计的快速响应车道线识别方法,首先通过车道线分割得到车道线像素点在图像中的位置特征,然后根据这些像素点的位置特征对车道线进行分类和去噪,最后通过单目视觉测距算法和最小二乘法得到图像中所有车道线在摄相机坐标系中的二次曲线方程。具体工作主要包括以下两个方面:在车道线分割阶段,本方法将视频帧分为关键帧与非关键帧,关键帧的车道线分割由语义分割网络完成;非关键帧的车道线分割由光流估计网络结合关键帧分割结果完成;视频帧的属性判断由一个极小的神经网络结合视频帧的底层光流特征完成。在车道线后处理阶段,本文首先利用车道线分割结果中的车道线像素点位置特征对车道线进行分类,从而得到每根车道线的像素点集合;然后,通过单目视觉测距算法,将车道线像素点从像素坐标系映射到摄相机坐标系,并使用最小二乘法进行车道线拟合,从而为车道线偏离预警和无人驾驶横向控制提供反馈与曲率。以上研究在公开数据集和自采集的数据集上进行实验,结果表明:本文方法能够在多种场景下实现车道线识别,相较于单纯使用高精度语义分割模型的车道线分割方法,本方法的运行速度最高可提升至原来的3倍。