自动驾驶在近年来受到了学术界和工业界的广泛关注,交通场景感知是自动驾驶中一个重要的且极具挑战性的任务。道路交通标线的检测结果能为自动驾驶系统提供大量的指导信息,而其中车道线检测尤为重要。在本文中,我们主要关注以车道线为主的道路交通标线,利用深度学习技术对其进行检测,主要工作如下:首先,在基于深度学习的车道线检测中,一种做法是将车道线检测视为一个语义分割任务,逐像素地对图像进行检测,另一种做法则是直接对完整的车道线进行回归预测,前者着重细节而后者关注整体。本文提出了一个新颖的算法,将基于分割的车道线检测作为主模块,然后设计了一个基于回归的分支作为辅助模块。本文的框架既能保持基于分割的方案在细节处理上的优势,又能兼顾基于回归的方案在对车道线整体性把握上的特点。同时,辅助模块仅仅参与了训练,而在推理阶段不需要花费额外的代价。本文还设计一个新颖的卷积模块,它对图像的方向信息更为敏感,从而更够获取更高质量的车道线。本文在大型的车道线数据集CULane上证明了方案的有效性。其次,相较于2D车道线检测,基于图像的3D车道线检测直接对真实世界中的车道线位置进行预测,从而更为直观。但这方面的研究尚少,并没有充分考虑3D车道线检测任务的特点。本文针对任务的特点,基于双阶段的3D车道线检测算法,将非局部操作引入到三维车道线检测中,提出了一个新颖的横纵分离非局部模块,关注不同车道线之间的联系以及车道线内部的联系。本文还针对3D车道线检测任务,设计了一个车道线间距离约束损失函数,并且在数据集3D-Lane-Synthetic-Dataset中证实了方案的有效性。最后,在道路交通标线检测任务中,当涉及到更多的检测目标或任务时,需要合理地设计各个目标的检测算法,并且,考虑到在自动驾驶系统中的实际应用,一个完整的道路交通标线检测框架需要同时关注检测精度和实时性。因此本文设计了一个新颖的实时的道路交通标线检测模型,它基于一个轻量级的主干模型,具备三个任务分支——基于回归的车道线检测、基于分割的其他道路交通标线检测（包括了斑马线、导流区域、停止线、指向箭头）以及单目深度估计。该框架通过将多个任务结合来减少模型参数和运算时间,并且不会导致各自指标的下降。同时,通过分析模型的输出,本文还提出了一个基于置信度的修正策略,可以有效地改善低分辨率下语义分割的结果。本文在ATD数据集上证明了方案的有效性,并且在车载嵌入式平台上验证了方案的实时性。