随着深度学习的发展,自动驾驶技术引发了人工智能的浪潮。许多传统车企、造车新势力、高科技公司纷纷把目光聚焦到了无人驾驶汽车上。作为关键技术之一的驾驶环境感知任务,车道线和道路目标的检测在其中扮演着最为重要的角色。车道线检测是实现高级辅助驾驶系统如:车道保持辅助,车道偏离预警,车道居中辅助等功能的先决条件,也是实现完全无人驾驶路径规划与决策、车辆运动控制的必要前提。无人驾驶汽车如何实时准确的识别道路中的车辆行人等目标,是当前自动驾驶汽车面临的一个具有挑战而急迫的难题。基于深度学习的视觉任务方法已经在各方面超越了传统计算机视觉算法,在总结基于卷积神经网络图像处理技术现有成果上,利用单目视觉和深度学习的方法,开展了对车道线和道路目标（如车辆、行人）检测研究,主要包括以下几个方面:1)对车道线检测技术和目标检测的研究现状进行分析,并且确定目前研究需要解决问题的关键技术路线,收集和制作数据集,用以算法验证和评估。2)针对车道线标识检测任务,确立了以实例分割为基础的算法思想。通过对车道线这种目标结构分析,提出了一种改进轻量级的双边分割网络Bi Se Net v2对车道线与背景进行分割。针对车道线标识线条形状多样,将其处理成连续的实线,用以分割网络学习特征;为了更好的提高网络细节分支对车道线细节关注度,利用空洞卷积增大了卷积感受野,并使用3x3深度可分离卷积和1x1卷积代替原来的普通卷积降低模型参数;利用SE通道注意力机制优化了语义分支学习重点,将网络学习重心转移到有重要特征的通道特征图;为了平衡车道线与背景比例不平衡问题,使用加权交叉熵做损失函数;与其他语义分割复杂的后处理方法不同,本文采用感兴趣行上的最大置信度坐标点作为车道线标识候选点,使用最小二乘算法拟合成三次曲线修正分割结果。3)针对道路目标检测问题,通过对现有单阶段、两阶段目标检测算法分析,两阶段算法复杂,模型较大,不适合直接在移动端部署、实现高实时性。由此确定了单阶段的目标检测算法。在保障实时性检测同时,对小目标也要有精准检测的效果,改进了一种轻量级适合直接部署在无人驾驶汽车上的Yolo v4算法。使用Mobile v3作为骨干网络提取特征,并将算法解码部分的普通卷积全部替换成深度可分离卷积减少参数,压缩模型。同时进一步使用金字塔池化模块PPM优化了小目标的检测精度。为了切合网络输入尺寸,使用边界补偿将数据集填充为正方形,再度改变分辨率输入网络模型训练、测试,同时使用了K-means算法生成了不同数据集所需的先验框尺寸,最后与其他算法比较评估网络检测性能。4)将车道线检测和道路目标检测算法并行执行检测,融合检测结果实现对车道线和道路目标联合检测。这样多任务多目标的检测方法为自动驾驶汽车环境感知算法部署提供了便利,同时改进后的的车道线检测模型大小12.4M,目标检测模型大小为41M,完全满足了移动端的部署要求,而且由于是两个独立算法,检测实时性并未降低。总之,上述研究是确立以精确的车道线检测结果为主,道路目标检测为辅,检测出周围环境车辆、行人这种大目标为导向,并融合两种检测任务,实现自动驾驶汽车对道路环境感知的同时,有效的压缩了模型,特别是提高了车道线检测精度,和多任务多目标检测的实时性。