车道线检测和分类是自动驾驶技术中环境感知系统的重要组成模块。传统的车道线检测和分类算法主要提取车道线的颜色、纹理等特征,进一步采用聚类或分割算法获取车道线的位置和类别信息。然而,传统算法依赖于手动提取的特征,在不良天气以及复杂道路环境下的性能具有一定的局限性。深度学习具有强大的自动提取特征的能力,可应用到复杂多变的道路场景中。目前,基于深度学习的算法是将车道线检测任务和分类任务视为语义分割任务。然而,主流语义分割算法通过堆叠大量的卷积层以取得较高的性能,导致算法参数量较大以及实时性较低。由于车载设备的计算资源、存储空间等限制,要求算法具有较高的实时性和较少的参数。因此,本文对深度学习的网络结构进行了研究与改进,从而实现以较少的参数量获取较高的车道线检测与分类准确率以及实时性。本文的研究内容和创新点总结如下:（1）提出了基于混合注意力的快速车道线检测网络（Lane-VGG）。首先,在编码器中建立卷积特征与注意力特征之间的相关性,增强网络学习上下文信息的能力;其次,将上下文信息融合到解码器的上采样中,以补偿池化操作在信息传递过程中丢失的细节信息;之后,将解码器划分为两个分支,分别为可将像素分割为车道线和背景的二值分割分支和将特征嵌入到空间结构的可嵌入分支;通过融合双分支的特征图,可取得最终车道线检测结果。实验结果表明,Lane-VGG采用视觉注意力可以增强网络聚焦车道线区域的能力,取得了较好的实时性,有效降低了误检率。（2）提出了基于语义分割的轻量车道线检测网络（LLNet）。首先,构造了一个简单的子单元,可显著降低网络的参数量;其次,为增强标签的监督作用,采用密集连接和跳跃结构将两个子单元级联起来构成密集块;然后,将编码器中的密集块特征和解码器中的密集块特征相融合,以增强网络性能;最后,采用实例分割分支替换Lane-VGG中的二值分割分支,利用车道线实例分割的强约束条件,提高检测精度。实验结果表明,LLNet在保证网络实时性的同时,可以有效提升网络的检测精度,降低网络参数量。（3）提出了基于网络级联的实时车道线分类网络（DCNet）。DCNet由一个检测网络（DNet）和一个分类网络（CNet）级联组成。首先,将DNet编码器特定位置的低层特征与解码器中的高层特征相结合,实现高级语义信息与低级语义信息的联合编码,并获得车道线的像素坐标值;其次,利用车道线的像素坐标值索引出原始图像的对应位置的像素值,并生成包含有颜色和纹理等信息的新特征;然后,将此新特征和车道线类别联系起来,构造特征-类别对;最后,将特征-类别对送入CNet中进行训练,从而得出车道线的类别。实验结果表明,DCNet可以同时实现车道线的检测和分类,且具有较高的精度以及鲁棒性,能够可靠地检测和分类多种场景下的车道线。（4）提出了基于双向分离注意力的车道线检测与分类网络（TSANet）。首先,TSANet采用更小的卷积核构建对称单元,可进一步降低参数量;其次,在多个对称单元之间采用密集连接构造密集连接块,可获取多尺度信息;然后,构建了双向分离注意力模块（TSA）,通过在横向和纵向两个方向上提取出注意力特征,建立长距离像素之间的依赖关系;最后,将TSA模块嵌入到编码器中,同时将TSA模块提取的语义特征融合进解码器中,以获取准确的车道线信息。实验结果表明,TSANet可以应用到驾驶场景中的车道线检测与分类,也可以实现道路场景中多目标的分割,具有很好的检测与分割效果。