车道线检测是驾驶辅助系统中最重要的组成部分之一。随着人们对汽车的需求日益增多,交通事故频繁发生,其中由于违规变道导致的事故占比超过50%,车道线检测技术受到了广泛的关注。精确而又快速的车道线检测技术对车道线偏离报警、车道线保持等功能具有重要意义。车道线检测技术需要具有准确性和实时性的特点。在传统的车道线检测方法中,过度依赖于人工设计特征以及一系列启发式的后处理技巧,难以直接应用到复杂的道路场景中。近年来,深度学习技术在计算机视觉领域表现优异,一些学者已经开始将其应用到车道线检测任务中,并取得了比传统方法更好的效果。但是目前基于深度学习的车道线检测技术仍然存在一些瑕疵。比如,车道线容易受遮盖物的干扰或者受阴影和光照的影响,仅仅通过局部像素的特征不能够训练出比较好的模型。此外,深度学习需要训练大量的参数,不仅会影响模型的运算速度,导致检测时间过长不能进行实时检测,而且会造成模型过大,不易部署在终端设备的问题。针对以上问题,本文采用深度学习的方法对车道线检测技术进行研究,在现有网络的基础上进行改进,提升了模型的检测速度,并对其进行模型压缩,主要工作内容如下:(1)本文首先研究综述了目前主流的车道线检测方法,介绍了相关理论基础并进行对比。经过分析后本文参照Mask R-CNN进行模型构建。(2)本文构建以ResNet-50作为Mask-RCNN的主干网络对车道线进行检测,并引入ResNet-101作为主干网络进行实验分析。(3)设计浅层的神经网络作为Mask-RCNN的主干网络,并对其进行优化改进,减少网络中的训练参数,从而达到高速处理的目标。(4)本文采用一种包含全连接层量化、卷积层量化的方法对本文模型进行压缩,使模型能够在终端设备运行。