随着无人机（unmanned aerial vehicle,UAV）智能化水平的不断提高,其应用场景越来越多。特别是在智能交通领域,无人机自主车道巡线能够对道路交通状况进行实时监测和预警。此外,无人机经济成本较低,智能化技术的应用也使其操作便利,大大降低了交通监控任务中人力资源的消耗。但是,目前该领域还存在尚未有效解决的技术问题,如现有的无人机巡线技术中,针对车道线检测的算法存在因道路环境因素导致的车道线识别不精确的问题。此外,无人机飞行过程中受外部风场影响产生的巡线失败问题,在一定程度上影响了该技术在智能交通领域的应用。因此,针对传统车道线检测方法容易受环境因素影响的问题,提出一种基于LaneNet神经网络改进的车道线检测方法。该方法通过对LaneNet网络结构以及聚类函数的改进和优化,使得该网络能够更准确、可靠地检测车道线。同时,在网络训练中,采用L1正则化代替原网络中的L2正则化,解决了训练神经网络时出现不收敛的问题,确保车道线检测的稳定性。另外,针对无人机巡线中受风场影响从而导致巡线失败的问题,提出一种风场干扰下的无人机车道巡线控制方案。该方案首先在无人机动力学模型基础上,建立了基于PD控制的无人机标称控制器,来对无外界干扰时无人机巡线控制的稳定性进行分析和验证。然后,考虑了外界风场对无人机巡线控制的影响,建立了风场干扰下的无人机巡线模型,设计了风场的干扰观测器以及无人机抗风干扰控制器,实现了无人机能够在风场影响下完成巡线飞行。最后,从硬件和软件两个层次上设计并实现了基于视觉的无人机车道巡线原型系统,用于对本文所提方法和模型进行实现和验证。