近年来,道路交通安全越来越受到重视,中国交通运输部统计表明约50%的汽车交通事故是由车辆偏离正常车道引起的,据美国联邦公路管理局估计,2002年美国44%的致命交通事故与车道偏离有关,车道偏离也被认为是车辆翻车事故的主要原因。车道偏离预警系统（Lane Departure Warning System,LDWS）作为提高道路安全的重要创新技术,将人员伤亡率减少了50%以上,有效地避免了交通事故的发生。但目前仍然存在预警准确率受环境光照条件影响大的问题。车道偏离预警系统由车道线检测模型和车道偏离预警模型组成。本文以提高车道偏离预警系统的准确率和鲁棒性为目标,对车道线检测模型和偏离预警模型进行深入研究,并在此基础上实现了基于实验小样车的车道偏离预警系统。论文主要内容如下:本文提出一种基于深度学习的车道线检测方法,通过对数据集的粗略统计,按照车辆捕获的图像中周围光照条件的不同把图像划分为六个类别,分别为白天、夜晚、逆光白天、逆光夜晚、阴影,逆光阴影。本文先使用改进的融合自注意力机制的残差网络分类模型进行分类,根据不同分类结果自适应从候选模型中选择表现较好的车道线检测模型完成车道线检测任务,从而提高车道线检测结果的准确率。本文的车道线识别模型为PINet模型和Lane ATT模型。在完成车道线关键点的检测后,使用图像逆透视变换方法将图像变换为鸟瞰图,继而使用二次多项式对车道线进行拟合。为了减少因为单帧图像的车道线漏检给系统产生误判,本文采用Kalman滤波器对拟合曲线进行跟踪,最大限度确保车道线检测结果在时序中保持一致连贯。在车道偏离预警部分,本文先分析对比了不同偏离预警模型及其优缺点,在考虑车辆方向及速度的基础上同时考虑偏航角,最终选择穿越车道时间（Time to Lane Crossing,TLC）预警模型作为系统的偏离预警模型,一定程度上减少误报率。本文在实际样车上搭建了完整的车道偏离预警系统。样车基于煜禾森FR-09线控底盘,在Ubuntu系统中完成开发。实际环境下对样车的系统进行了测试,试验表明系统效果良好,达到了车道偏离预警系统的准确性和鲁棒性预期。