车道线检测是自动驾驶的基本任务之一,用于规范和引导车辆行驶,具有重要的研究意义。传统算法使用车道线的几何、颜色等特征进行检测,具有一定效果,但是无法应对复杂的交通场景。近年来,车道线检测逐步向深度学习领域发展,特别是基于语义分割的算法被广泛应用,车道线检测算法的准确度和鲁棒性有了很大提高,但是存在计算速度较慢、像素的感受野有限、检测效率较低等问题。针对这些问题提出一种基于深度学习的车道线检测方法,具体内容如下:（1）基于车道线多项式的多分支特征网络设计设计基于车道线多项式的多分支特征网络,把车道线看作曲线多项式,利用深度学习模型预测多项式关键参数,定位车道线,主要包含主干网络和多项式参数预测两部分。主干网络设计多分支结构,上分支基于ResNet结构改进,首先拆解起始的大卷积核,然后在瓶颈结构（bottleneck）中添加卷积模块,延迟下采样,提高特征提取效率。网络的下分支基于车道线的形状先验,设计切片层次序列结构,充分利用行列像素之间的空间特征,上下分支结合构成多分支特征提取网络。（2）车道线多项式关键参数预测主干网络提取特征后,直接预测车道线多项式的关键参数,包括多项式系数、车道线纵向起始点和终止点的偏移量、横向偏移量,以此规范车道线的位置。然后设计多任务损失函数,使用图森数据集训练算法模型。最终算法在图森测试集上的准确率为95.85%,并且使用显卡2080ti时检测速度可以达到80fps。（3）车道线后处理方案设计为了完善检测算法,节约算力,设计边缘滑动窗口搜索车道线的后处理方法。车道线检测用于实时视频处理,相邻视频帧之间具有连续性,所以使用多分支特征网络定位车道线后,设计边缘滑动窗口搜索后续视频中的车道线,两者结合,提高检测算法的实时性,使算法可以在嵌入式设备（NVIDIA-TX2）上实时运行。（4）车道线识别实验设计模型车辆,和模拟地图,测试多分支特征网络结合车道线后处理技术检测方法的可行性。实验中,车模搭载NVIDIA-TX2用于实时处理图像,通过迁移学习的方式将车道线检测模型泛化到模拟地图数据集中,结果表明,车模可以自主完成行驶,证明了车道线检测方法具有较高的准确性和实时性。