车道线检测是汽车自主行车控制系统（Autonomous Driving System,简称ADS）的核心功能之一。在车辆行驶过程中,通过车道线检测技术能够实时地检测车道路面情况,当车辆偏离当前的车道时,可以及时发出警示,能够有效地减少驾驶员因为操作错误或者疲劳驾驶而造成的交通事故,从而更有效地保障了驾驶员的生命健康和人身财物安全。所以,车道线检测的研究对于司机行车过程中的安全以及减少行车难度必不可少。目前的车道线检测算法,对于单纯行车场景都能够达到实际要求,不过,针对更复杂的路面情景（如:光照不好,车道线外观形变,道路拥堵等）,算法性能急剧下降。近年来,由于深度学习的不断发展,研究者们致力于把深度学习算法与车道线检测技术相结合,这使得车道线检测技术能够高效地应对不同复杂道路场景下的车道线检测。目前的研究主要是将基于卷积神经网络的方法,应用于车道线检测中,实现在不同路面情景中获得更为实时、更加精确的结果。论文的主要研究内容如下:1.提出了基于Bilateral fusion Lane Net结构的车道线检测算法,适用于车道线这种细长形状的目标,使得在细节上的检测更加精细,同时,在应对多种道路场景变化上（如车辆变道或转弯时,车道线的形态和结构变化大时）也更具有优势。本文在Bilateral fusion Lane Net结构的两个分支中,分别利用浅层、大通道容量的细节分支获取车道线的浅层空间细节信息,利用语义分支获取车道线的深层语义信息,并设计了两边融合模块对两个分支提取到的特征进行融合。实验表明,基于Bilateral fusion Lane Net结构的算法可以在实时的情形下达到较高的准确率。2.提出了基于Codec-SCNN结构的车道线检测算法,该网络使用SCNN能够有效地增强空间信息,更能够学习车道线这样的长距离连续目标,而使用编解码结构,一方面能够使用编码器来减少图像的空间维度并获得语义信息,另一方面可以使用解码器来进一步恢复图像的空间细节和空间维度,生成逐像素的车道线权重图,并通过深度可分离卷积来代替普通卷积的方式减少模型参数量,完成车道线的分割,实现可应对不同的复杂路面情景的车道线检测算法,并在比Tusimple数据集道路场景更加复杂多样的Culane数据集上进行了测试。实验结果表明,该算法实现了速度与精度的平衡,能够实现不同路面情景上的实时、准确的车道线检测。3.由于车道线的细长特点,基于语义分割的算法虽然能够将车道线分割成多个部分进行较为精确的检测,但是也很难完成一次性就检测出所有的车道线。因此得到最终的车道线方程,需要使用一些后处理方法来拟合网络的检测结果。为此,本文设计了改进后的RANSAC算法来拟合神经网络的检测结果。实验表明,改进的车道线拟合算法应用于上述车道线检测算法的后处理步骤后,有效地区分和拟合了不同的车道线。综上所述,本文所设计的两个车道线检测方法都具备较大的适应性,并且可以广泛应用于各种不同形式的汽车行驶路线场景,经过实践证明,以上两个方法均可以在提高车道线检测的实时性、精准度的情况下,克服车道线粗细、车道线样本与背景样本的不均衡等问题。