随着人工智能的不断发展,人们对自动化设备的需求越来越高,自动驾驶技术逐渐引起人们的关注,其中车道线检测和交通标识的识别是环境感知中非常重要的组成部分,由于实际交通场景复杂、多变,使用传统方法对车道线和交通标识检测不能符合人们对自动驾驶技术的期望,随着近年来深度学习的不断兴起,通过在目标检测中引入深度学习,算法在复杂场景下也可以有优秀特征表现。为此,本文基于深度学习理论,对车道线检测和交通标识识别技术进行研究,具体内容如下:首先,本文针对现有的YOLO v3网络目标检测算法不能对交通标识进行详细的分类的问题,对数据集的重新训练以及对训练参数的重新调节,最终实现所训练的YOLO v3模型检测精度的提高,实现交通标识的详细分类。其次,针对可变数量的车道线检测问题,首先应用一种将车道线检测问题转变为实例分割问题的方法,与现有的依赖于固定的且预先定义的透视变换矩阵的方法不同,在车道线拟合时将深度可分离卷积引入VGG16网络中,来生成可变化的转换系数,实验表明该方法检测精度可达92.2%,可处理可变数量的车道并能够应对车道变化,具有很强的鲁棒性。最后,为了提高车道线检测的准确性和检测速度,本文又提出了一种将卷积神经网络与自动编码器结合,构建一种层数较少的卷积自编码神经网络(convolutional auto-encoder neural network,CAENN),该方法利用自编码器的编码、解码特性,实验结果表明,检测速度可达到以46FPS,检测精度为94.1%,该方法可处理可变数量的车道,实现了检测速度快、准确性高的优点。