随着人民生活水平的提高,汽车进入到人民的生活当中。随后日益增加的交通安全问题引起人们的关注。车道线检测作为自动驾驶以及辅助驾驶系统中重要的环节,得到了大量的研究,其核心思想是准确、快速的检测出车道线的位置。传统的车道线检测方法对待检测图像进行边缘检测、阈值化处理和曲线拟合,通过提取车道线的特征检测车道线,依赖于手工操作,算法复杂度大,车道线检测效率低,且基于模型的系统很难对道路场景变化进行建模,因此传统的方法经常产生鲁棒性问题。为解决传统车道线检测中存在的问题,本文提出了一种基于深度神经网络的车道线检测方案。利用提出的encoder-decoder卷积神经网络模型自动提取待检测图像中有效的车道线特征信息,能够对车道线图像实现端到端的检测。此外,考虑到车道线检测中正负样本相差过大的问题,我们对损失函数进行了修改。实验表明,本文实现的算法计算简单、快速,并且能够有效解决正负样本相差过大的问题。考虑到车道线具有明显的边缘特征,本文借鉴传统方案中边缘检测的步骤,提出了一种基于多通道特征融合与卷积神经网络相结合的车道线检测方案。采用多通道融合技术将原图信息和车道线的边缘特征信息进行融合,将多通道特征与深度学习相结合,利用神经网络训练得到高效表示车道线特征的信息。实验结果表明,基于边缘特征融合技术检测效果优于原始RGB图像输入的检测效果,通过实验也证明了本文提出的网络模型具备较强的鲁棒性以及泛化能力。