随着经济的发展和社会的进步,城市交通不断完善,汽车的自动驾驶和辅助驾驶系统应运而生,该类系统不可或缺的就是车道线检测技术。目前有很多传统的方法通过人工选择特征来进行车道线检测,但是这类方法只能处理简单的驾驶场景,而且检测速度较慢。为了提高模型的准确率和检测的速度,很多研究人员引入了深度学习的方法,针对目前车道线检测问题存在的难点与挑战,本文展开的研究工作内容如下:本文针对复杂的道路场景,对传统的空间注意力模块进行了改进,同时引入了高效的通道注意力模块,通过连接形成融合注意力模块。在网络中添加该模块之后,可以提取到图像深层的特征信息,从而更加准确地检测车道线。本文的网络结构包含主分支和辅助分支,主分支负责提取图像特征,在融合注意力模块的作用下得到高层特征;辅助分支负责监督训练,将提取的多层特征进行连接操作,再经过卷积层得到最后的检测结果。本文设计了车道线检测系统,通过对现有系统的调研,进行了需求分析和总体设计,在设计阶段将整个系统划分为两个部分,分别对车道线检测的传统方法和深度学习方法进行了流程的设计与实现。传统方法包括对图像的预处理操作和车道线的拟合,深度学习方法包括网络模型的搭建、训练、使用以及检测结果可视化等过程。在测试阶段,测试了系统的功能模块、模型性能以及系统对运行环境的要求,达到了预期的标准。针对文中提出的车道线检测模型,在CULane公开数据集上进行了消融实验和对比实验的验证,通过对实验结果的分析得出了一定的结论。实验表明本文提出的车道线检测模型不仅在正常道路场景下有良好的表现,也能够适应一些复杂的道路场景,验证了本文模型的有效性和鲁棒性。