车辆行驶过程中,驾驶行为受到车道标识线的约束,而传统导航仅提供“弯到弯”的指令、不包含行驶车道信息,故驾驶员错过变道时机的情况时有发生。包含车道信息、提前给出变道提示的精确直观导航可大幅提升驾驶体验,这对车道级定位提出要求,这一问题可通过机器视觉识别当前道路所有车道线并判断与车辆相对位置的方案来解决。本文即采取深度学习图像处理的方法,对通过车道线检测实现车道级定位的算法展开研究。本课题的研究面向深度学习车道线检测任务的实现方法,从对多层感知机、前向传播与反向传播、激活函数、卷积神经网络等深度学习理论基础的研究,到深度学习实例分割方法的车道线检测流程常用目标函数（损失函数）、有效曲线拟合模型及车道线检测常用公开数据集及相应评价指标等方面的分析比较,对基于卷积神经网络的车道线检测各类型解决方案进行综合研究。本文将车道线检测任务定义为实例分割任务,重点研究该场景下的深度卷积神经网络的网络结构设计与优化;首先研究现有方法的网络架构设计和改进优化目标,比较不同方法的检测性能、运行时间;利用更高性能的实例分割骨干网络构建改进的车道线检测网络模型并进行训练,在多种公开数据集和自采集数据中进行测试评估。针对车道线细长且语义连续的空间结构,以及图像行列像素间具有相关性的特点,本文研究将特定结构的聚合器引入车道线检测任务专用卷积神经网络架构,构建和训练专于车道线检测场景的深度学习网络模型,在多种公开数据集和自采集驾驶图像数据中对其检测准确性和鲁棒性进行测试评估;并且通过简单后处理实现基于视觉的车辆车道级定位。本课题的实验通过带车道线标注的公开车道线数据集,设计、优化并训练专用结构的卷积神经网络,得到模型权重文件,在哈尔滨市内进行多路况、多场景、多天气状况的路试;对多个公开数据集图像、自用车辆行车记录仪采集哈尔滨市道路行驶视频及图像,以及路试拍摄视频进行推理测试,通过定量和定性分析网络及模型的优劣,并选取最佳网络和模型进行专用的后处理操作,得到基于视觉的车辆车道及定位结果。实验结果表明,改进的车道线检测网络检测效果有所提升,车道级定位算法准确有效。