自汽车诞生一百多年来,技术的革新、成本的下降使得越来越多的家庭能够拥有属于自己的汽车。据国家统计局统计,截至2016年末,我国私家车的保有量约1.7亿辆。然而呈爆发式增长的私家车在改善我们生活的同时,也带来了很多问题,包括拥堵的交通、大量的交通事故等等,这些问题都是制约发展的不利因素,亟需解决。智能驾驶作为一项新技术被视为解决这些问题的关键,而车道线检测技术则是智能驾驶技术中比较基本的组成部分。目前,基于视觉的车道线检测方法较为通用。由于复杂的实际环境,很高的可靠性要求,车道线检测技术的研究看似简单实则依然充满挑战。多数基于视觉的车道线检测算法的流程是先先验的选择一个区域作为感兴趣区域(region of interest,ROI),然后对此区域进行图像预处理,包括滤波、颜色空间变换、透视变换、边缘检测等操作。接着对预处理后的图像进行车道线检测操作,常用的包括基于标准霍夫变换(standard Hough transform,SHT)及其衍生算法的检测方法以及基于参数拟合的方法等。这些方法通常有几个问题,首先,先验的选择感兴趣区域虽然可以避免引入过多的干扰,得到较好的检测效果但也不可避免的降低了算法的通用性,其次,在检测速度与检测效果上难以同时令人满意。本文针对传统车道线检测方法存在的需要人为利用先验知识提取感兴趣区域的不足,引入了基于深度全卷积网络的图像分割技术,它可以实现对图像中道路区域的分割与提取。灵活地以道路区域作为感兴趣区域代替手工选择区域能够提高算法对于可能出现的不同状况的适应性。此外,本文基于传统的车道线检测算法,对其中的直线检测算法进行了改进,在降低其时间复杂度的同时提高了检测效率。经测试,本文所使用的方法能够适应不同的环境并能够快速高效的实现车道线检测。