在无人驾驶领域,从真实驾驶场景中识别出车道线是自主驾驶车辆感知周围驾驶场景的重要组成部分,所识别出的车道线质量对车辆可行驶区域的划分以及驾驶决策都有着巨大影响。为了保障无人驾驶车辆的行驶安全,无人车需要具备在不同类型的驾驶场景中正常行驶的能力（例如在车辆拥挤的道路,光线不足的环境,光线过强的场景等）。同时在空间上车辆行进过程中周围的环境也可能随时出现不可控制的变化,附近的行人与车辆等因素都需要被算法考虑。因此,在车辆行驶过程中驾驶场景的类型以及驾驶场景中出现的动态变化,都会给车道线识别算法带来很大麻烦。而且大多数现有的车道线识别模型无法清晰地检测出不清晰和被遮挡的车道线,所以本文使用端到端的卷积神经网络以语义分割的方法在复杂驾驶场景下识别车道线,主要工作如下:（1）提出基于注意力机制的车道线识别算法。受空间卷积模块的启发,提出的模型对空间内信息传递的过程进行了优化。在空间卷积后使用注意力机制,不仅能增加通道维度上像素间的信息交流,而且能对提取的重要特征进行加权。通过把空间卷积与注意力机制相结合,使模型的性能得到提升。（2）提出了一种具有鲁棒性的使用纵向空间特征以及复杂驾驶场景中的上下文信息的端到端的车道线识别模型。为了更高效地利用驾驶场景中的上下文信息和纵向空间特征,设计出特征融合模块和信息交流模块让模型能更好地检测出不清晰和被遮挡的车道线,从而使模型在复杂驾驶场景中进行车道线识别更具有鲁棒性。（3）在CULane数据集与Tusimple数据集下与主流模型进行对比实验,同时从定性分析与定量分析的角度对实验结果进行了详细的展示。经过对实验结果的分析,本文提出的模型在驾驶场景中有更好的性能。