近年来,随着社会经济水平与科技水平的不断提高,城市的交通环境得到了不断完善,汽车的保有量也明显增加。在带来交通便利的同时,交通事故也在逐年上升,给人们的生命安全造成了重大威胁。在这样的大背景下,智能安全驾驶技术的研发受到越来越多汽车企业与互联网企业的青睐,一系列以无人驾驶为背景的技术研究也越来越受到学术界和工业界的重视。为了成功地实现智能驾驶汽车在结构化道路上的智能行驶,最核心的步骤之一就是系统能够从当前道路图像中准确、快速地检测出车道线信息。然而,由于光照变化、环境阴影遮挡、恶劣天气等许多复杂条件的干扰,这些任务可能非常具有挑战性。导致算法鲁棒性下降,在不良天气和复杂环境下达不到所需的检测准确率。针对现阶段所存在的复杂环境下车道线检测的鲁棒性问题,本文研究并设计了一套通过单目视觉传感器（车载摄像机）采集车辆行驶中的道路图像,并对图像进行处理,实现复杂环境下车道线检测的系统。首先,本文所研究系统通过Basler单目相机实现图像采集,并在采集图像的基础上进行图像畸变矫正和感兴趣区域（ROI）提取等预处理操作。其次,提取到的车道线感兴趣区域图像通过本文深入研究的车道线分割算法实现车道线像素的分割。针对车道线分割算法,本文主要在传统自适应阈值车道线像素分割算法的基础上,深入研究了基于深度学习图像语义分割的车道线像素分割方法。这里所采用的具体方法主要是一种基于VGG16-FCN二值分割网络和像素嵌入层（Embedding）距离度量学习网络实现车道线实例像素分割的方法。然后,我们对分割得到的车道线实例,建立三次B样条曲线的车道线模型,并通过逆透视变换和最小二乘方法进行拟合,实现车道线的检测。并基于车道线检测结果,实现了智能驾驶车辆的位姿解算等功能。最后,本文设计了包括不同数据集、不同复杂环境以及不同分辨率的多组测试实验,分别测试了系统算法的分割性能、准确性能以及实时性。实验表明本文所设计系统及相关算法具有一定的鲁棒性,能够适应光照变化、环境阴影遮挡、恶劣天气等许多复杂条件的干扰,所设计系统的车道线检测的准确率可以达到89%以上,检测速度可达13Hz左右。