驾驶场景中的车道线检测与跟随是无人驾驶车辆和先进的驾驶员辅助系统的重要组成模块。随着人工智能技术的飞速发展,无人驾驶车辆与深度学习技术的结合也逐渐代替传统的方法,广泛地应用在无人驾驶感知、控制以及决策领域,有效减少了更多的交通问题,提高了车辆的驾驶安全性。近年来,各种复杂的车道线检测与跟随方法层出不穷,但是大多数方法在处理阴影严重,黑夜以及标线缺失等极端困难情况时,往往性能不佳。而无人驾驶车辆的感知,控制以及决策三个模块紧密联系,车道线检测的准确率严重影响了车道跟随的准确性直接威胁道路交通安全。本文针对无人驾驶汽车车道线检测与车道跟随功能展开系统研究,基于深度学习技术,提出一种兼顾鲁棒性与准确率的车道线检测与车道跟随方法。主要的研究工作如下:第一,完成数据采集工作。提出一种基于消失点的车道线标记方法。针对黑夜,无线,阴影等典型路况制作了符合中国道路的仿真与真实车道线检测与车道跟随数据集。第二,提出一种基于UNET＿CLB的多帧车道线检测方法。针对无线,黑夜,阴影等困难情况识别效果不佳的问题,在传统深度学习技术基础上引入连续驾驶场景的多帧信息进行车道线检测。针对卷积神经网络（CNN）高级语义信息的丢失问题,将CNN与卷积长短期记忆网络CONVLSTM以及深层密连卷积网络（DENSE＿NET）相融合,提出一种深层高级语义提取网络。通过在Tu Simple与CULane数据集的实验表明,本方法检测效果在鲁棒性与识别准确率两方面均表现良好。第三,提出一种基于LSTM＿DTS的时空车道跟随方法。针对循环神经网络长时间序列关键信息丢失问题,利用TIME＿ATTENTION（时间注意力网络）预测输入信息的相关性以及SPACE＿ATTNENTION（空间注意力网络）获取有效的历史信息。引入车辆运动学约束提升跟随控制信号的可行性,在真实数据集上的测试结果表明,本文方法可以准确的模拟人类驾驶行为（方向盘转角与车速）,同时提升了控制行为的连续性与稳定性。第四,基于Webots仿真软件进行了仿真验证。搭建了无人驾驶道路仿真模型,并将本文提出的车道线检测方法UNET＿CLB与车道跟随方法LSTM＿DTS结合,同时在仿真与真实环境数据集上进行实验验证,仿真与实验结果均表明,本文提出方法在黑夜,阴影,无线等困难条件下可以较为准确的实现无人驾驶车辆车道线检测与车道跟随。