智能汽车是汽车行业与人工智能、物联网等新兴产业相互结合的一种未来趋势,它可以大大改善交通安全、减缓城市道路拥堵、提高交通行车效率、倡导低碳生活等;针对城市智能车未来交通拥堵和车道偏离容易引发的交通事故,本文从全局方面提出改进A*算法与动态窗口法的融合算法,不仅以最短距离为行车准则,而且考虑道路的通畅情况,在避免拥堵前提下寻找一条最佳路径,提高融合算法的适用性和有效性;并且从局部行车方面考虑,在实际驾驶和行车的过程中,由于车道路线容易被周围的环境（包括行车,行人）遮挡,常年的磨损部分路面标记线看不清楚。因此选择基于深度学习的车道线检测模型,对车道线的位置进行实时高效的正确检测,对车道线进行准确拟合。本文研究的主要内容如下:首先,针对深度学习图像分割车道线检测理论,由于逐像素任务,计算量较大,自动驾驶实时场景检测效果不佳,感受野差等缺点,选择基于深度学习全局特征的车道线检测理论。阐述深度学习的理论知识,激活函数、学习率、损失函数和卷积神经网络的原理,选择Res Net网络作为基础网络,优化全局特征车道线检测算法。搭建实验数据采集平台和模型实验仿真平台,手动制作车道线检测数据集,基于Linux和Ubuntu操作系统利用Pytorch深度学习框架进行模型测试,实验证明:优化后的基于深度学习全局特征的车道线检测算法能够准确、快速、鲁棒地识别自动驾驶环境中的车道线。其次,针对传统A*算法自身节点搜索策略存在路径转折点多、转折角度大、可行路径不是理论上的最优路径等缺点,将传统A*算法3*3的搜索邻域扩展为7*7,同时去除扩展邻域同方向的多余子节点。扩大传统A*算法仅为3*3的搜索邻域,改进为7*7的A*算法,而且每个节点搜索自由移动方向仅为0.25π的整数倍的限制被消除,优化了搜索角度。最后,针对智能车在复杂环境下动态路径规划问题,将改进的7*7A*算法与动态窗口算法进行算法融合,设计一种全局最优路径的动态窗口评价函数,综合考虑移动速度、转角平滑度、安全性等因素。将改进7*7的A*算法与动态窗口法的融合算法与多种算法仿真比较,结果表明:改进7*7的A*算法与动态窗口法的融合算法更具有高效性和可行性。