车道线检测与跟随技术是实现当前汽车辅助驾驶和未来汽车无人驾驶的关键技术,深度学习技术在近几年迅猛发展,在图像识别与定位、图像分割、语音识别以及数据预测等方面都取得出色成绩。本文针对无人驾驶汽车环境感知中的车道线检测和跟随问题,提出一种基于深度学习的车道线检测方法和车道线跟随方法。主要工作如下:第一,制作了用于实际道路和仿真环境的车道线检测数据集和驾驶行为预测数据集。对车道线采集相机进行了相机标定,建立了图像坐标系、相机坐标系和世界坐标系间的对应关系。第二,提出一种基于VGG的车道线检测方法。针对传统深度学习方法信息融合不充分问题,提出一种特征图上下文融合方法,将该方法与VGG网络相结合分别提出了VGG-FF和VGG-FFD车道线检测方法,通过在CULane数据集上进行对比实验,验证了本文所提方法的有效性。第三,提出一种基于Res-RNN的驾驶行为预测方法。在前述VGG-FFD车道线检测方法基础上,为模拟车道线与驾驶行为间的映射关系,提出一种基于Res-RNN的驾驶行为预测方法,通过在传统循环神经网络(RNN)中加入残差传播机制实现了更好的驾驶行为预测。在自制驾驶行为预测数据集上进行实验验证,结果表明具有残差传播的所提方法效果要明显优于传统RNN方法。第四,提出一种基于深度学习的车道线跟随方法。在全面分析车道线跟随方法基础上,将车道线检测方法VGG-FFD和驾驶行为预测方法Res-RNN组合,提出一种基于深度学习的车道线跟随方法VGG-RNN,可以实现模拟人类驾驶经验依据汽车前方道路图像直接输出正确方向盘转角和车速的功能。第五,本文基于Webots搭建了无人驾驶汽车仿真平台。对车道线跟随方法进行仿真,同时在真实环境数据集上进行实验验证,结果表明本文提出的车道线跟随方法能够较好实现无人驾驶汽车的跟线行驶。