车道线检测与跟踪为自动驾驶及车辆偏移预警提供了有力的支撑,一直是汽车行业研究的热点和难点。车辆偏移预警系统通过对车辆行驶路线进行监测,防止车辆轨迹偏移,从而减少交通安全事故的发生。快速和有效的车道线检测与跟踪方法是保证车辆行驶安全的重要依据。在实际的道路场景中,由于受到天气、光照、道路两旁的建筑以及车道上车辆和车道线标志的自身退化等因素的影响,使得基于图像处理对车道线检测与跟踪的准确性和稳定性面临着巨大的挑战。故此,本文从车道线图像语义分割、车道线拟合以及跟踪三个方面进行深入研究,具体工作如下:(1)针对城市交通场景下的车道线图像空间位置特征,提出了一种纵向注意力结构(LatNet)模块对车道线特征进行提取。LatNet模型以低层特征图为输入,在水平方向上进行图像池化操作,再经由卷积层和全连接层后通过Sigmoid函数输出权重矩阵。该方法能够增加模型在垂直方向上对车道线的提取能力。(2)以Deeplab V3+网络为主干,结合注意力结构模块生成的权重矩阵与特征图进行融合得到具有权重特点的特征图,再对融合后的特征图进行更加精细的语义分割,获取车道线图像分割结果。通过在公开数据集上进行对比实验,验证了所提出模型的有效性和稳定性。(3)采用一种密度聚类算法在图像分割图像中对车道线特征点进行聚类运算,有效地提高了对车道线特征的正确描述,并部分地消除了在语义分割网络中对像素点的错误分类现象;针对当前车道标定以及部分结构消失问题,利用最小二乘法对当前车道进行线性拟合,并使用卡尔曼滤波器对当前车道线进行预测和跟踪。