近年来,汽车在全球范围内逐渐普及,给人们的生活带来了很多便利,但随之而来的是逐渐增加的交通事故的发生。因此,先进的车载辅助驾驶系统的研究迫在眉睫。其中,基于计算机视觉的车道线识别技术作为辅助驾驶系统的重要组成部分成为了当下研究的重点。然而,现阶段所提出的基于深度学习的车道线识别模型普遍具有计算量和参数规模大的特点,很难应用于一些计算资源有限的应用场景中。因此,本文从基于深度学习的轻量级车道线识别模型和其算法硬件化两个方面去设计和实现基于深度学习的车道线识别本地硬件加速器。在车道线识别算法模型的设计方面,本文在国内外车道线识别的研究现状基础上,通过引入车道线的经验性信息,设计了较为轻量的基于深度学习的车道线识别模型,在牺牲有限识别精度的情况下大幅度缩减了网络模型的参数规模和计算量。另外,为了更有效地使用硬件对网络模型进行硬件化和加速计算,本文采用了增量网络量化的方法对网络模型中的权值参数进行量化,将以单精度浮点数表示的权值参数量化成2的幂次方形式,再使用4位二进制位对量化后的结果进行编码,从而将网络模型前向推断时的大量浮点数加法和乘法运算转变成了定点数的加法和移位运算,有利于网络模型的硬件化。将模型量化后,本文基于Xilinx PYNQ开发板,设计和实现了本地硬件加速器。最后,本文基于Tusimple车道线数据集对所设计的车道线识别本地硬件加速器进行精度测试、速度测试和基于智能小车的应用场景测试。测试结果表明,本文所设计并实现的车道线识别模型及其本地硬件加速器具有较高的识别精度和较快的识别速度。