基于视觉的车道线检测方法是业内通用的解决方案。其方法是基于图像或视频算法,从摄像头的图片中检测出车辆行驶时的车道线的位置。城市中的车道线检测是公认非常具有挑战性的任务。因为城市内,在行驶过程中会有大量的前车与行人遮挡,市内车道线的种类与样式差异极大,车道线的磨损与缺失都大大增加了任务的复杂度。不仅如此,恶劣天气如雨天,大雾,下雪等极端天气都极大的提升了该任务的挑战性。正因为如此,复杂路况的车道线检测任务是迫切的需求。本文首先对当今国内外的车道线检测的研究情况与进展进行了总结与探讨。通过研究发现使用传统车道线检测方法的鲁棒性较差,并且车道线的特征简单,样式繁多,使用传统方法难以对现实生活中的车道线进行较好的检测。并且,对于视频车道线检测领域,少有基于视频特性对车道线检测方法的优化与设计。因此,出于以上考虑,本文作了如下工作:1.提出了一种三分支神经网络,首先通过该三分支结构,提取图片中不同尺度下的车道线特征,然后通过轻量化模块对网络模型进行压缩。最后利用特征重标定模块对特征通道赋予权重提升网络准确性。将三分支网络在复杂路况数据集上进行训练并测试。实验结果证明使三分支网络可以在复杂的路况仍可以达到较高的准确性。2.通过对视频特性进行研究,设计了适合处理视频的车道线检测模型,首先通过信息引导模块,将上一帧结果传递给下一帧的轻量网络并进行引导,然后使用级联方法提升编码器特征提取能力并加速网络的训练。将视频车道线检测模型在视频数据集上进行训练并测试。实验结果表明该模型可以使网络在保持较高准确性的同时降低了40%的时耗。最终实现对视频中的车道线区域进行像素级语义分割。