车道线检测是高级辅助驾驶系统中的重要组成部分。当前汽车数量日益增多,交通事故频发,高级辅助驾驶技术引起了人们的广泛关注。研究出快速、准确的车道线检测技术可以提升车道线保持、车道偏离报警等功能的准确性,对提高驾驶安全具有重要的意义。传统的车道线检测方法依赖于高度定制的手工特征以及一系列启发式的后处理技巧,难以应对实际情况中复杂的道路场景。因深度学习技术近年来在计算机视觉领域的优异表现,深度学习技术也已应用在车道线检测任务中,并取得了比传统方法更好的结果。目前基于深度学习技术的车道线检测算法仍面临一些难题,车道线的外表特征不太明显,容易被前方汽车遮挡或者受到阴影和光照的干扰,仅靠局部像素的特征不足以取得比较好的结果。本文针对以上难点,开展了基于卷积神经网络对车道线进行语义分割的研究,具体内容如下:(1)提出了一种新颖的快速空间注意力模块,在特征图的空间维度上进行卷积,以获取长距离的空间上下文信息。通过长距离的空间上下文信息,改善车道线部分标识特征不明显或不可见的情况。(2)设计了一个通道注意力与分类辅助监督损失相结合的模块以对通道之间的相关性进行利用,并预测出全图车道线的存在性,通过这种监督方式,引导网络理解全局的语义信息,并辅助网络得到更有判别性的特征。(3)采用带权重的交叉熵损失函数对图片中车道线像素与背景像素在数量上的比例严重不均衡进行改善,对车道线这种数量较少的像素给予较大的权重,避免网络偏向背景的学习。(4)采用在线难例挖掘策略对训练图片中简单样本的像素与困难样本的像素在数量上的比例不均衡的问题进行改善,丢弃掉一部分过于简单的像素以使网络着重针对困难样本进行参数上的优化。根据我们提出的改进方法,在目前最大的公开车道线数据集CULane上进行了实验,并与其他前沿的方法进行对比,实验结果表明本文提出的方法具有有效性与高效性。