随着汽车保有量的不断增加,交通非现场执法摄像头也越来越密集。由于每一个非现场违法图像,都需要执法人员进行二次判断,而大城市执法摄像头有数千之多,人工逐一判罚难以实现,因此需要人工智能辅助判定。在这些人工智能辅助判定场景中,违法变道、不礼让行人和闯红灯三种违法行为的判断,需要以车道线、人行横道线和待行区三种交通标线的准确识别为前提。而交通标线又极易被车辆遮挡,无法在每张图像中识别,考虑到执法摄像头拍摄的违法图像背景一致,可以提前标注好该摄像头下的交通标线,以便后续调用。即便如此,数千个摄像头由人工逐一标注也非常繁重。因此,研究非现场执法摄像头中道路交通标线辅助人工智能标注就变得十分有必要。当前,车道线和人行横道相关研究都是针对自动驾驶场景,与本文场景差异较大,且待行区检测相关研究尚未见公开报道。针对上述问题,本文对非现场执法场景下的道路交通标线检测进行了深入研究,提出了多种交通标线检测算法,主要工作如下:（1）针对交通非现场执法场景中复杂环境下的车道线检测问题,本文提出了一种基于多重反馈特征金字塔的车道线检测算法ODL-Net。构建多重反馈特征金字塔（MFP）对图像进行多次特征提取,并使用无锚框回归对车道线进行坐标回归。然后使用基于点间距计算的聚类算法PDcluster和RANSAC算法对多图像检测结果进行聚类和拟合,得到车道线。该算法的Accuracy和F1指标分别达到了96.98%和96.14%。（2）针对交通非现场执法场景中复杂环境下的人行横道检测问题,本文提出了一种基于ODL-Net结合最小二乘法的人行横道检测算法RCD-Net。首先使用ODL-Net对人行横道白色条纹进行直线检测,然后使用最小二乘法对两侧白色条纹端点进行直线拟合,最后将直线与两侧白色条纹求交点,得到精确而具体的人行横道区域。该算法的m Io U指标达到了95.95%。（3）针对交通非现场执法场景中复杂环境下的待行区检测问题,本文提出了一种基于语义分割的待行区检测算法SS-Net。使用编码器-解码器架构来实现语义分割,并使用多重消息传递（MP）模块传递空间语义信息,加强特征提取,获取曲线信息。最后结合PDcluster和RANSAC算法得到曲线模型,从而得到待行区区域,该算法的m Io U指标达到了95.47%。