自动驾驶技术被认为是一项颠覆性的技术,具备巨大的经济价值和社会价值。有关自动驾驶技术的研究集中在三个方面:感知、决策和控制。其中,道路标线的语义分割任务是当前感知模块的技术瓶颈,成为了一个热门的研究方向。传统的语义分割技术由于采用的是人工设计的特征,比较适合场景简单的应用。而真实环境下的道路场景变化十分复杂,常常会面临光照变化、道路标线磨损和遮挡等问题,导致相关算法的鲁棒性明显下降。近年来,卷积神经网络作为一种新的方法被引入图像分割领域,并取得了一系列优异的表现。本文将卷积神经网络应用于道路标线语义分割任务中,在复杂变化的道路场景中获得准确、实时的语义分割效果。具体研究内容如下:①基于卷积神经网络的编码器-解码器架构,引入多孔空间金字塔池化结构提出了MarkNet网络。重点分析研究了类别不平衡问题和损失函数选择问题对模型性能的影响,并在此基础上综合应用类别再平衡权重和联合损失函数提升MarkNet的分割性能。通过实验证明MarkNet可以在复杂的道路场景中实现实时且精度较高的道路标线语义分割任务。②借鉴LaneNet的分支网络思想,在MarkNet网络中引入二值分支网络,提出了MarkNet+网络。为了进一步提升MarkNet网络的分割性能,减少分割结果中对象边缘模糊或粘连的问题,引入二值分支网络,对目标的位置分割进行学习。实验证明MarkNet+相比MarkNet,对道路标线的不同类别的分割性能都得到了提升,其分割性能能够满足复杂环境下的精度要求,其速度也基本满足实时性要求。在ApolloScape无人驾驶数据集上的实验结果表明,面对复杂变化的道路场景,本文提出的MarkNet+网络能实现准确且实时的道路标线语义分割。