车道线检测是自动驾驶领域中一个重要的研究方向,有着悠久的研究历史和广泛的应用前景。现有的基于深度学习的车道线检测方法依赖卷积神经网络强大的特征学习能力,能够在白天场景中提取到较好的车道线与道路间的鉴别特征,但在夜间场景中,由于图像对比度低,卷积神经网络难以识别车道线,从而影响车道线检测性能。因此,如何改善车道线特征提取结构和提高夜间图像的对比度是帮助卷积神经网络提取判别特征,从而提高夜间车道线检测性能的两种方法。此外,有的公开的车道线数据集具有多种场景,但分布不均,例如,夜间场景数据的数量远少于白天场景数据的数量。如何利用白天场景数据来生成夜间场景数据以增加训练期间的夜间场景数据,从而提高夜间车道线检测性能也值得研究。本文针对基于深度学习的夜间车道线检测方法的以上现状进行了探索,主要工作如下:（1）设计了一种并行的多尺度卷积模块,该模块可以应用于现有的骨干网络,以增强夜间环境中车道线特征的学习。具体的,在深度特征图上使用多尺度卷积以获得丰富的感受野,使得网络能够学得鲁棒的鉴别性特征。并且通过循环多步长的并行模式确保了模块的推理效率,能够以更快的迭代完成单方向的信息传输。此外,整个网络体系结构使用特征融合对深层特征进行局部信息的补偿,进一步优化模型提取夜间车道线特征的能力。与其他方法相比,该方法在主要的车道线数据集上均获得了更好的性能。（2）设计了一种基于无监督弱光图像增强的夜间车道检测方法。具体的,引入了无监督曲线估计方法来增强夜间图像,从而提高夜间图像的对比度。因此,夜间图像中的车道线得到增强,这使得CNN更加容易提取特征以进行有效的车道线检测。此外,设计了夜间车道线注意力机制,以进一步增强网络学习车道线辨别特征的能力,从而提高车道线检测的性能。在CULane和BDD100k数据集上进行了实验,实验结果证明设计的结构可以在这两个数据集上达到不错的水平。（3）提出了一种双流网络,该网络由白天分支车道线预测模块和夜间分支车道线预测模块组成。双流网络将一对白天场景和合成夜间场景作为输入,并预测白天和夜间场景的车道作为输出。受风格转换的启发,利用风格转换网络将白天的场景转换为夜间的场景,从而获得白天和夜晚的图像对。同时为了提高车道线检测的性能,引入了嵌入式损失以帮助夜间分支从白天分支中学习车道线特征。此外,为了加强车道线结构的特征提取,还提出了一种夜间条纹感知池化模块,以聚合本地上下文信息,并进一步提高夜间环境中车道线检测的性能。在CULane数据集的夜间场景上进行的大量实验证明了所提方法的有效性。