车道线识别及跟踪是自动驾驶视觉感知中极为重要的经典课题,通过识别当前车辆所处环境的车道线,可以为车辆的路径规划提供导航路径,使得车辆可以在标准的道路模型中安全可控的移动。同时,精准的车道线识别也是高精度地图定位的重要依据之一。针对当前基于语义分割的车道线识别方案易受环境负样本干扰、鲁棒性差和识别类别无法为自动驾驶提供充分导航信息的问题,首先完善了道路场景模型,在已有标注方案基础上添加新的车道线类别,并对基于U-Net语义分割模型的车道线识别算法进行改进,然后提出了基于关键点检测的方法实现了车道线识别的优化,最后利用匈牙利匹配和卡尔曼滤波构建了车道线的跟踪算法。本文主要研究内容及结论如下:（1）车道线数据建模及采集。针对当前车道线数据集只标注四种类型车道线（当前车道左车道线、当前车道右车道线、左车道的左车道线和右车道的右车道线）,不能满足真实自动驾驶路径规划需求的问题,结合典型变道场景及根据变道场景的需求,添加了新的车道线识别的类别。同时,根据场景的多样性原则进行车道线数据的采集,利用余弦相识度对采集到的视频进行抽帧处理,以保证数据样本之间的差异性。（2）基于改进U-Net的车道线识别。首先以U-Net语义分割模型为基础增加了通道注意力模块,以便自适应的融合多层次的语义信息,丰富模型提取的车道线场景层次信息。然后通过数据增强和反向传播完成模型的训练,并使用了查准率和查全率等度量指标对测试集进行车道线识别效果评估。该模型在测试集上查准率较高,但该模型易受背景负样本干扰,且难以满足嵌入设备的实时性要求。（3）基于关键点检测的车道线识别。针对基于改进U-Net的车道线识别算法存在查准率低和时间复杂度高的问题,提出了一种基于关键点的车道线识别方案,以避免正负样本不均衡以及输出尺寸过大。首先根据透视关系在图片纵轴上不同间隔线性采样车道线的关键点,模型在固定的采样行上预测不同种类车道线对应的横向偏移值及其存在概率值。同时,根据关键点之间的斜率趋势以及车道线之间的距离关系,提出了车道线的几何约束损失函数,用以保证车道线形态的正确。该模型在识别效果和时间复杂度上相较于基于改进U-Net的车道线识别模型有较大提升,其中F1指标提高了6%。（4）基于匈牙利匹配的车道线跟踪。为了获取到稳定可用的车道线曲线参数,在车体坐标系下对车道线的三次曲线方程的参数进行跟踪。首先使用相机模型获取车道线的车体坐标系的坐标。其次对检测到的关键点进行拟合,以获取车道线的曲线参数。然后提出基于两条曲线包络面积作为开销矩阵的匈牙利匹配算法,实现对车道线进行匹配和更新。最后使用卡尔曼滤波对跟踪的车道线参数进行预测和更新。