近年来,随着经济与科技的发展,人们的生活水平日益提高,城市交通不断完善,汽车数量明显增加,同时由汽车引发的各类交通安全事故也日益增加。为了提高汽车的安全性和减少交通事故,无人车的研发在这个大环境下应运而生。车道线检测是无人车系统里感知模块的重要组成部分。利用视觉算法的车道线检测解决方案是一种较为常见解决方案。视觉检测方案主要基于图像算法,检测出图片中行车道路的车道线标志区域。高速公路上的车道线检测是一项具有挑战性的任务,由于车道线标志的种类繁多,车辆拥挤造成车道线标志区域被遮挡,车道线可能有腐蚀磨损的情况,以及天气等因素都能给车道线检测任务带来不小的挑战。过去,大部分车道线检测算法基本是通过卷积滤波方法,识别分割出车道线区域,然后结合霍夫变换、RANSAC等算法进行车道线检测,这类算法需要人工手动去调滤波算子,根据算法所针对的街道场景特点手动调节参数,工作量大且鲁棒性较差,当行车环境出现明显变化时,车道线的检测效果不佳。本文基于传统车道线检测算法,结合深度学习技术,提出了一种使用深度神经网络,代替传统算法中手动调滤波算子,对高速公路上的车道线进行Instance级别的分割,分割得到每条车道线区域的像素信息,然后使用最小二乘法对车道线进行参数回归,反馈车道线参数方程。本文使用的神经网络为卷积神经网络,网络结构采用了Convolution与Deconvolution对称的结构设计,对行车图片中车道线区域进行语义分割。本文的车道线检测系统开发语言主要为C++与Python语言,整体上分为车道线标注、车道线标注结果筛选、图像数据预处理、车道线分割模型训练、车道线检测以及结果显示等6个模块,此外,算法完成之后本文对不同的车道线图像分割模型进行了测试与比较,给出了一种适合无人车车载服务器配置的车道线检测方案。经过测试,本文所使用的卷积神经网络车道线分割方法更具普遍性,能够更好的适应各式各类的高速公路行车场景,算法在高速公路上的不同场景都取得了较高的车道线检测效果,无论是直线、弯曲道路,逆光场景、车辆遮挡较多的场景,算法均能高效优质地分割识别出车道线,适用场景广泛,鲁棒性强。