近年来无人驾驶技术成为各国研究热点领域,而车道线检测算法作为无人驾驶系统中重要的组成部分,仍然具有很多值得研究的问题。本文主要研究基于深度学习的单目视觉图像的车道线检测算法,即使用深度学习算法处理单个摄像头采集到的无人驾驶车辆前方道路环境信息的图片,快速、鲁棒的获得车道线的位置和沿伸方向。车道线检测任务存在很多问题,首先车道线本身不同于一般物体,其具有细长的特点,空间位置上跨度较大,因此极易受到遮挡,造成空间上的不连续。另外车道线随着风吹日晒会逐渐褪色,变得模糊难以辨认。而车道线所处的道路环境又非常复杂,光照、水渍、灰尘、阴影等都会对基于视觉的车道线检测产生影响。因此,传统的车道线检测算法都无法取得很好的检测效果。深度学习算法在各领域都表现出强大的能力,因此本文采用深度卷积神经网络来进行车道线检测。本文针对车道线对象特点,使用深度卷积神经网络对车道线进行语义分割,区分出每个像素点是否属于车道线,然后结合车道线后处理算法求解出每条车道线的曲线参数。本文提出的车道线检测算法大体上分为两部分:车道线语义分割神经网络和车道线后处理算法,整体设计上同时考虑检测效果和算法实时性。本文设计的车道线语义分割神经网络模型吸取了当下优秀的语义分割模型结构特点,采用编码器-解码器结构,使用实时分类网络作为主干网络进行微调,针对车道线空间跨度大的分布特点,需要网络具有很强的全局特征提取能力,引入了深度学习领域先进的自注意力机制,为了算法运行效率提出了改进的通道自注意力模块,大大减少了原始自注意力模块的计算消耗。同时针对车道线细长的形状特点,提出了线性特征增强模块,用于提高车道线分割结果的连续性。最后网络输出部分分为二分类输出和多分类输出,对于多分类网络增加一个车道线存在性预测分支,可以提高多分类网络预测结果的鲁棒性。车道线后处理算法主要包括车道线聚类和车道线曲线拟合两部分,为了提高后处理算法效率首先对车道线分割掩码进行采样,然后对于不同的网络输出进行不同的处理。对于二分类语义分割网络首先使用DBSCAN聚类算法进行聚类,然后使用RANSAC算法对车道线进行曲线拟合。对于多分类语义分割网络则之间进行曲线拟合。通过对两种语义分割网络结果对比最终采取了多分类语义分割网络结合RANSAC算法拟合的车道线检测算法。实验表明本文提出的车道线检测算法具有较强的检测效果和鲁棒性,即使车道线被遮挡也能很好的应对,同时算法拥有较快的检测速度,在Nvidia Tesla P100 GPU上,本文设计的语义分割网络能够达到63fps的分割速度,整个车道线检测算法能够达到40fps的检测速度,满足实时性要求。