在人工智能不断发展的今天,智能汽车公司如雨后春笋般争先登上自动驾驶的舞台,自动驾驶技术发展的也越来越快。传统的数学型车道保持方法研究已相对成熟,目前大肆发展的神经网络在自动驾驶领域上的应用也愈受青睐。本文主要针对自动驾驶技术中的车道保持方法进行研究,探讨基于条件模仿学习的端到端方法对车道保持的效果。（1）基于传统的端到端车道保持方法主要以RGB图像作为输入数据,神经网络无法提取到更深层次的特征信息,以至于模型预测能力较差。本文提出以RGB图像、语义分割深度图像和控制量信息共同作为输入的研究方法,在动作值输出之前加入高级控制命令以提高模型的鲁棒性。（2）NVIDIA提出的端到端学习方法是端到端应用在自动驾驶技术中的里程碑,本文搭建了一个9层的卷积神经网络提取图像特征信息,并对其进行训练,测试其在Udacity仿真道路上的车道保持能力。由于是在仅有RGB图像输入的情况下,Udacity仿真车辆在测试道路上发生了碰撞,未能全部完成行驶任务,虽证明了端到端方法能够应用在车道保持上,但在数据输入单一的情况下,模型的精度较低,泛化能力较弱。（3）根据经典的神经网络模型构建了条件模仿学习（Conditional Imitation Learning,CIL）网络,使用搭建的CARLA汽车仿真模拟器采集数据,并对其进行预处理以防止出现过拟合问题。后对训练的CIL模型进行测试,与ResNet网络模型对比在直行、转弯与混合工况下的预测能力,并使用CoRL2017评估标准测试混合工况下汽车的车道保持能力,通过消融实验测试RGB、RM、RMD和CIL算法在任务平均完成度、平均行驶距离和平均违规次数三个指标的鲁棒性,实验结果证明基于条件模仿学习的端到端方法在车道保持上的可行性和有效性。（4）为了进一步验证基于条件模仿学习的端到端车道保持算法的有效性和通用性,将其预训练模型加载到DDPG（Deep Deterministic Policy Gradient）算法中,通过训练和评估结果验证了CIL模型的适应能力;另外,通过搭建树莓派智能小车平台采集实验数据,对图像进行语义分割处理,使用CIL网络进行训练和测试,结果证明了基于条件模仿学习的端到端方法具有使车辆完成车道保持的能力。