近年来自动驾驶和驾驶辅助系统成为研究的热点。在自动驾驶和车辆导航应用中,路面交通信息数据是最重要的辅助数据之一,这使得基于车载视频的路面交通信息的检测与识别技术具有重要的意义和研究价值。传统的路面交通信息的检测与识别方法主要基于边缘、纹理特征检测或者图像分割,由于实际驾驶环境复杂多变,传统方法鲁棒性差,达不到实际应用所需的检测精度。近年来,深度学习技术在计算机视觉领域取得了巨大成就。本文基于深度学习技术进行路面交通信息中的车道线检测和路面指示标志检测与识别的研究。具体研究内容如下。（1）研究了基于深度学习图像分割算法的道路车道线检测。采用带有自我注意力蒸馏结构的VGG16模型作为分割网络的基础网络;提出Bi-DU结构作为分割网络的头部;最后采用Cross Max Pool细化算法、DBSCAN聚类算法和多项式拟合算法对分割结果做后处理,得到车道线中心线。在tusimple数据集上取得了0.9661的精准率、0.0294的误检率0.0249的漏检率。实验结果表明,该方法提取的车道线更加完整,与传统方法相比,取得了显著的精度提升。（2）研究了基于深度学习目标检测算法的路面指示标志检测与识别。采用Anchor-Free模式的目标检测架构提出了路面指示标志检测与识别算法。方便后续模型集成,基础网络采用与车道线分割算法一致的基础网络,网络最终输出目标中心点分布概率图、边界框和目标中心点偏移。算法在本文收集的路面指示标志数据集上取得了mAP为0.828的检测精度。实验证明,与传统目标检测方法相比,本文提出的路面指示标志检测与识别算法取得了较高的精度,鲁棒性更好,具有一定的实际应用的价值。（3）研究了深度学习的多任务学习和模型压缩。将车道线检测模型和路面指示标志检测与识别模型共享一个基础网络来实现模型融合,在训练过程中交替训练两个检测模块;然后采用基于BN层中的γ参数进行模型剪枝的技术对融合后的模型进行压缩。在车道线和路面指示标志数据集上取得了与原始模型相当的精度,但在检测速度上快了将近4倍,模型大小下降了82.5%。实验结果表明,引入多任务学习和模型压缩可以在保证精度的同时加快模型的检测速度。实验结果表明,本文提出的方法可以较好地从车载视频中检测车道线和路面指示标志。得益于多任务学习和模型压缩技术,使得车道线和路面指示标志检测与识别模型可以同时取得较快的速度和较高的精度,具有一定的实际应用价值。