车道线检测与偏离预警是辅助驾驶的关键技术之一,能够提高车辆的行驶效率与安全性。目前,深度学习的方法不断涌现,但是由于车道线和所处的环境具有复杂性和多样性的特点,导致现有的方法还未能同时兼顾准确性和鲁棒性的需求。在偏离预警上,现有方法都是根据车辆的位置等信息判断当前的偏离状态,很少对未来时刻的汽车行驶状态进行预测。基于这些问题,本文对复杂情况下的车道线检测和偏离预警进行了研究,取得了良好的效果。首先,针对车辆行驶中天气环境的复杂性问题,采用多尺度渐进融合网络和特征融合注意力网络这两种方法对行车环境下的图像进行处理,减少雨天、雾天的环境干扰,增强车道线纹理,突出车道线的边缘特征;针对车道结构的多样性和车道线检测的鲁棒性不强的问题,采用改进的GLNet车道线检测算法,该算法在Lane Net网络结构的基础上引入DCGAN网络进行并行训练,同时采用DBSCAN聚类算法将不同车道线分为不同实体,以节省聚类的时间和提高算法的表征以及分类能力。该检测算法在交通数据集上的准确率可达97.6%。其次,针对偏离预警对行车状态的预测准确性不高的问题,本文从基于偏角差和横向距这两种车辆判断偏离的算法出发,通过设置阈值并分别在这两种算法上结合时序预测模型LSTM对车辆的下一时刻偏离状况进行预测。通过对比分析,采用横向距偏离判断算法与LSTM模型相结合的方法对车辆行驶状态进行预测。该方法在预测准确率上可达92.2%。最后,根据检测系统的现实需求,给出了一种解决车道线检测和偏离预警的系统实现方法。从系统的运行环境、框架搭建以及应用功能等方面进行设计实现,并对其系统界面进行分析和对各个功能进行测试。通过对该系统的测试分析,它具有使用方便、操作简单的特点。