随着人工智能的发展及车联网和5G网络的出现,智能驾驶汽车应运而生。道路环境的复杂性和交通标志的受损,造成智能驾驶的安全问题日渐突出,驾驶环境信息感知对智能车辆安全驾驶至关重要。高级驾驶辅助系统在获取车辆内部及外部的信息方面具有显著优势,可以保障车辆行驶的安全性。车道线检测作为高级驾驶辅助系统的必要部分,在偏离预警、车道保持和路径规划决策等方面发挥着重要作用。复杂交通场景中,光线的变化、道路的受损等常常成为车道线检测的制约因素。同时,高级驾驶辅助系统对车道线检测的实时性要求很高,提高检测的速度成为亟待解决的问题。因此,设计一个准确实时的车道线检测模型成为极具挑战性和应用价值的课题。针对以上问题,提出基于图像处理的多场景车道线检测模型,具体工作如下:（1）针对反向传播时出现的梯度消失问题,提出一种新的损失函数——辅助损失,在语义分割编码器后添加辅助训练分支,改进交叉熵损失的计算方式,借助反向传播更新参数。加入车道预测器与解码器并行,弥补了像素级语义分割精度不佳的问题。将语义分割损失、辅助损失、车道预测损失加权求和,协同作用,进行反向传播。（2）针对车道线检测存在实时性和准确性不佳的问题,提出改进注意力金字塔与焦点损失的车道线检测模型,利用编码器中弱瓶颈残差模块在减少模型参数量上的优势,对弱瓶颈模块各阶段的输出与输入特征进行跳跃残差联接,解决了残差块中相邻非对称卷积层间信息丢失问题。改进了解码器中注意力金字塔模块,形成两个小型的金字塔,在高层输出上增加特征金字塔注意力,提取丰富的上下文特征。同时,为解决因车道线信息稀疏而造成的车道线像素和背景像素分布不均衡问题,提出改进的焦点损失样本均衡器,通过调整超参数的设置,加快损失的收敛。最后,在车道线数据集CULane上验证,通过F1、FP、运行时间、参数量等多个指标的对比,彰显了改进后模型的作用。