目前智能汽车关于辅助驾驶研究主要分为两种方式,一种方式是特斯拉科技,特斯拉科技的逻辑是模仿人眼视觉系统,将摄像头拍摄到的图像应用神经网运算对其分析计算,直接得出结果,不借助其他感知信息,只利用视觉来实现自动驾驶。另一种方式是中国大部分汽车企业都采用的视觉及激光雷达融合检测。无论哪种方式,车道线检测都是其中的主要技术之一,因此车道线检测受到了研究人员的广泛关注,是计算机视觉领域重要的研究内容之一。传统的车道线检测借助图像预处理手段,通过边缘特征分割与特征提取等方式实现,然而传统方法易受环境光照、车辆行驶和道路的退化等因素影响。随着深度学习的发展,尤其是卷积神经网络在图像任务中的优势,使得车道线检测方法变得更加多样性。然而基于深度学习的车道线检测模型往往具有很大的架构,使得网络推理时间过久、需要训练的参数过多导致网络难以收敛,且在实际检测场景中,车道线会存在残缺、破损、强光照等条件的影响,造成检测效果差等问题。本文在详细研究了深度学习下车道线检测算法的发展与不足上,通过自我注意力蒸馏与空间卷积等结构设计了一种具有高泛化性的车道线检测模型,具体工作如下。（1）详细且系统的分析了几种经典的深度学习类车道线检测算法,深入讨论了各算法的结构与特点。为了从结构、性能、车道线检测效果和定量指标等多方面对各算法进行对比,在多个数据集上进行了相关主、客观实验。在车道线检测数据集Tu Simple和CULane上对Lane Net算法、VPGNet算法、EL-GAN算法和SCNN算法进行评价与分析,通过分析各算法的优势与不足。（2）提出一种基于自我注意力蒸馏与空间卷积的车道线检测算法。首先,选用SCNN（Spatial CNN）网络作为基础网络,将自我注意力蒸馏（Self Attention Distillation）结合到前馈卷积神经网中,用来增强模型的学习能力,以提高对复杂场景车道线检测的准确度,且可以减少网络的推理时间加快网络的收敛。其次,由于网络参数过多,如果每训练一次所有的参数都要变一次,可能会导致系统开始训练的时候不容易收敛。本文在全连接层采用随机丢弃（Dropout）的方法,可以有效避免系统参数更新过快而导致过拟合。最后,通过对比不同迭代周期加入自我注意力蒸馏得到的实验结果,分析出加入自我注意力蒸馏的最佳时刻。网络在收敛速度上有明显的优势。在训练模型时,按照一定的比例截取训练集图片的一部分,以增加样本数量。实验结果与Lane Net、ENet、SCNN网络分别在在CULane和Tu Simple数据集上进行训练测试,并对结果进行对比分析。最终算法在Tu Simple数据集上的准确为96.81%,误检率和漏检率分别为5.96%和1.50%,显著优于其他模型。并且使用GPU RTX2070 SUPER时检测速度可以达到40FPS/s。同时在具有挑战性的CULane数据集上检测精度也有一定的提升,验证了所提模型在车道线检测中的有效性。