在科技越来越发达的今天,人工智能已经逐渐普及到了我们生活中的每个角落,而作为人工智能领域中的一项热门课题,自动驾驶技术也正在吸引越来越多研究者们的关注。在自动驾驶技术的众多参考因素中,车辆和车道线是行驶过程中的重要参照物。车辆检测在自动驾驶技术中是最基础也是最重要的环节,能否及时准确地检测、识别前方车辆是保证自动驾驶安全性的关键;而车道线则检测则是防止车辆驶离正确区域的标尺,同样有着重要的作用。车辆检测和车道线检测均属于图像处理领域中的目标识别及目标分类问题,随着深度学习热潮的掀起,卷积神经网络的相关技术理论被越来越多地应用到该类问题中。本文以此为立足点,展开了基于卷积神经网络的车辆和车道线检测方法研究,具体内容如下:针对车辆检测问题,展开了基于多任务卷积神经网络的车辆检测方法研究。联合两个开源车辆数据集和自行采集的数据集制作了混合实验数据集;搭建了多任务卷积神经网络模型,并对其内部结构进行了级联改进,使得运算速度得到了较大提升。最后,将训练好的模型投入实验,总体测试准确率达到95.0%。针对车道线检测问题,展开了基于全卷积网络的车道线检测方法研究。通过对样本图像中不清晰的车道线进行了重新分类及标注,自行构建了车道线检测的数据集;搭建了全卷积网络模型,并对网络结构进行了调整,提升了检测的精确性。最后,将训练好的模型投入实验,针对各种不同场景下的车道线图像进行检测与识别,总体准确率达到95.2%,同时与经典方法Hough变换法进行了对比试验,取得了更优的效果。本文的最后,展开了对于车辆和车道线联合检测方法的研究。通过在卷积神经网络中设置多任务训练的方式构建了联合训练网络模型;借助并改进了VGG16模型,从而优化了联合检测网络的性能;通过制定特殊的模型训练策略,使得模型训练的可行性得到了加强;最后将训练好的模型投入实验,在KITTI数据集上测试的总体准确率达到89.2%。