自动驾驶可以减少交通事故,为人们提供安全、舒适的出行方式,其最具有挑战性的任务之一是交通场景理解,包括车道线检测和语义分割等计算机视觉任务。车道线检测能够指导车辆在正确的区域进行行驶,为车道保持提供依据,当车辆偏离车道时为驾驶员提供预警,有助于安全驾驶。鉴于汽车行驶场景的复杂性和多样性,如何在复杂多样的行驶场景中快速鲁棒地检测出车道线是车道线检测的难点。车道线由实线、虚线、车道汇合线和分离线等组成,颜色包括黄色和白色,特征比较单一,车道线检测时没有综合的特征可以采用,因此很难凭借单一的模型实现车道线的准确检测。同时道路磨损、周围建筑物和车辆的遮挡会使车道线特征变弱,光照、天气和路况都会对车道线检测造成很大影响。针对以上问题,本文从以下两个方面进行研究:一方面,受建筑物、树荫阴影和其他车辆遮挡的影响,城市场景单帧车道线的特征往往模糊,针对此问题,提出了一种城市场景车道线检测算法,内容包括:(1)设计基于卷积神经网络(Convolutional Neural Networks,CNN)的编码器-解码器结构,对相邻帧和当前帧进行车道线特征提取;(2)对经过CNN得到的特征输入循环神经网络(Recurrent Neural Network,RNN),充分利用车道线相邻帧的强关联特,提高车道线的检测成功率;(3)引入深度可分离卷积,减少参数,增加训练速度。最终证明该算法有助于解决城市场景车道分割的问题。另一方面,车辆行驶主要分为直线行驶和变道,车辆直线行驶的车道线检测成功率对车道保持尤为重要。在复杂场景下,不是每一帧都能检测到车道线。针对这种问题,提出了采用卡尔曼滤波器对车道线进行追踪的方法,当连续检测到车道线的数目大于阈值时,可以认为已经成功检测到车道线,之后进行车道偏离检测,没有偏离车道时,用卡尔曼滤波器的预测值代替检测值。偏离车道时,对车道线重新进行检测。车辆未偏离车道时,该方法可以快速准确的追踪出车道线。当连续若干帧车道线的参数变化很大时,采用CRNN进行车道线检测。