自动驾驶是近年来的热门话题,车道线检测是自动驾驶系统中的一个重要模块。车道线检测为自动驾驶汽车的自动巡航、车道保持、车辆超车等行为提供了重要的依据。传统的车道线检测算法往往根据单一的场景人工设计特征,难以应对真实道路场景环境的复杂多变性(如过往车辆、建筑物阴影、光照强度变化、破损车道线以及车道线遮挡等干扰)带来的挑战,所以往往鲁棒性不强。而深度学习这一数据驱动的技术,近年来在计算机视觉的各个领域取得了不错的效果,为车道线检测提供了新的思路。本文对基于深度学习的车道线检测算法进行研究,主要分为主车道检测和多车道检测两大部分。本文的主要工作和创新点如下:1)在主车道检测算法中,我们采用全卷积网络模型对道路图像进行预分割,从而可以自动地提取并且快速定位道路场景上的感兴趣区域。本文针对主车道线的特点提出主车道线模型,并且结合层次聚类算法设计主车道线特征点集提取算法,成功提取出主车道线特征点集,能够有效去除由于语义分割模型的不准确性带来的噪声干扰,进而能够准确检测出道路场景上的主车道线。2)利用视频帧序列的帧间相似性,提出了一种简单而又有效的主车道线特征点集修正算法。实验结果表明,该方法可以显著降低主车道线检测的误检率。3)在多车道检测算法中,设计了共享编码器模型和多任务解码器模型,将车道线分割的语义分割任务和区分不同车道线的实例分割任务进行联合训练,从而提高了深度网络模型的训练效率;本文设计了精细标注算法对粗标注数据集进行了精细标注,得到了为深度网络模型训练准备的语义标签和实例标签。在多车道线检测的实例分割解码器中,基于度量学习的思想,设计实例分割损失函数,从而实现将不同的车道线像素进行区分开来;本文采取形态学操作后处理的方式对语义分割的结果进行了进一步的修正操作,并且使用聚类算法成功解析出实例分割图中的不同车道线。本文在公开发布的数据集和自建复杂道路场景数据集上进行了大量实验,验证了本文提出的基于深度学习的车道线检测算法的有效性和实用性。