自动驾驶以及辅助驾驶是汽车发展的必然趋势,而在自动驾驶相关技术中,障碍物的检测是不可回避的一个技术点。基于深度学习的道路障碍物检测具有较为重要的研究意义与重要的应用价值。所以本文利用现有技术如语义分割针对可能出现的突发问题进行检测识别等相关研究与应用,本文的主要研究内容可分为以下三部分。针对车道线在弯道处的检测效果低下,本文重新设计网络结构,添加H-Net将车道线转换为鸟瞰图,以降低弯道对算法的影响,同时将原有的基础网络的特征提取模块替换为轻量级的神经网络,降低计算量。改进后的算法模型与原始模型相比较,精度有所下降但获得了更小的参数量、更快的运行速度,使得能够在满足日常生活中的实际应用场景下对实时性的要求,同时也在一定程度上解决了在弯道处效果不佳的问题。针对车道线检测算法上的改进,本课题还进行了障碍物数据集收集工作,收集了常见的道路障碍物数据集解决了没有公开的障碍物数据集的问题,并利用数据处理方法,如数据增强去扩充数据集。经过这些处理,就得到了一个包含八个类别构成的道路常见障碍物数据集。最后将改进后的算法与目前较为成熟的轻量级语义分割算法相结合,以实现车道线是否可通行的一个判断。并在此基础上实现了一个web展示平台,可以将本课题中所提出的改进算法嵌入到该平台。综上所述,本文主要对车道线的弯道部分效果进行优化以及障碍物检测算法的特征融合模块进行改进。