近年来,深度学习已成为人工智能领域的一个研究热点,其在车道线检测任务中的应用更是得到了车企和研究者们的热切关注和大量研究。虽然深度学习已成功应用于各大领域中,但将其应用于地铁轨道线检测与识别的研究却少之又少。车道线检测与识别与轨道线检测和识别的场景有些许不同,例如地铁行驶时所处环境比较复杂,其光照条件特别黑暗,所获取的图像噪声往往过大且轨道线易与背景图像相类似而难以从中检测与识别出轨道线的位置。传统方法为了实现轨道检测与识别的任务,会首先对图像进行预处理,然后使用Canny算子等方法进行边缘提取,最后使用最小二乘法等算法进行曲线拟合,从而在图像中分离得到轨道线。但这些方法的效率往往过低,且性能往往取决于预处理的效果。针对上述问题,本文重点在于将有关车道线检测任务中成熟的深度学习模型经过修改之后迁移到地铁轨道线检测任务之中,从而使得列车自动驾驶系统（ATO）在集成轨道线检测模型之后能有效提高自动驾驶的安全性。本文讨论了3种深度学习模型,分别具有以下特点:一是可微最小二次拟合端到端轨道检测模型,利用深度学习网络ERFNet和可微分最小二乘拟合模块,并使用几何损失函数提升轨道线判别准度,可直接实现轨道线参数的回归计算;二是点实例网络轨道检测模型,基于点估计和实例分割方法,并囊括多个同时训练的沙漏网络,使得模型的大小可根据目标环境的算力进行动态调整;三是超快速结构感知深度网络轨道检测模型,可通过基于全图像特征的行选择算法,使得模型具有更加广阔的视野,有效解决物体遮挡等问题,并使用全局特征和局部特征聚集算法,有效利用本轨道和相邻轨道的多尺度特征,还使用具备结构感知能力的损失函数,有效判别特征向量所属类别。上述3种轨道检测模型各有优劣。因此,在实际场景中,可根据实际需求如最大像素阈值和运行环境,决定选择上述何种轨道检测模型来实现轨道检测任务。本文使用在南京地铁某号线的真实场景获取的图像数据集训练模型,以此来评估模型对轨道线的检测与识别性能。实验结果表明,本文所提出的轨道线检测模型均能较为有效地预测出地铁轨道线在图像中的位置。