随着经济的飞速发展,汽车惠及大众的同时也引发了大量的交通事故。汽车高级驾驶辅助系统和无人驾驶技术在辅助驾驶和提高行车安全方面具有极大潜力,因此受到了广泛关注。车道线检测作为汽车高级驾驶辅助系统和无人驾驶中基础且重要的部分已经成为研究热点领域,但在弯道检测、“无视觉检索”等方面仍需进一步研究。基于传统的车道线检测方法一般先进行一系列图像预处理,然后再根据提取到的图像特征进行车道线拟合,输出检测结果时将车道线画在原图的对应位置。传统图像处理算法检测车道线虽然实现方法简单、速度快,但受外界因素影响较大,光照、邻近车辆、车道中间的指示箭头等都会干扰检测。基于深度学习的车道线检测通过构建多隐层的学习模型和训练海量数据,能学习到更多车道线特征,从而最终提升检测的准确性。随着深度学习在多个领域的应用都取得了突破性的成就,越来越多的研究人员将车道线检测看成是一个像素级别的分割问题,并采用卷积神经网络等深度模型进行求解。然而,现有方法都没有特别关注到弯道的检测,导致弯道场景检测效果欠佳;其次,当前深度模型的结构都比较庞大,需要较多的计算资源,难以满足实时检测车道线的需求。针对以上现有深度学习方法的问题,本文以提高弯道检测效果为主要目的,并综合考虑了检测速度,提出了一个基于残差网络的弯道增强车道线检测方法。该方法采用残差网络为主体框架,通过在损失函数中加入弯道结构约束条件实现弯道增强。由于直线可以看作曲线的特例,故本文提出方法同时也适用于直线车道,具有很好的普适性。另一方面,为了降低模型的复杂度,采用权值稀疏剪枝技术对模型进行缩减。为了验证所提出方法的有效性,将其应用于常规车道检测数据集Tusimple和自行构建的弯道测试集上分别进行了实验。结果表明,在损失函数中加入弯道结构约束条件的模型在Tusimple数据集和弯道数据集上无论是在精确率、召回率,还是在F1度量指标上,在两个数据集中的算法性能都比现有模型有了不同程度的提高。这说明本文提出的弯道增强策略不仅能够有效提高在弯道场景下的算法性能,而且并未影响直线车道的检测性能。加入了权值稀疏剪枝策略之后,算法在性能未明显下降的前提下大幅减少了计算时间,更符合实际生产需求。本文采用残差网络主体框架,通过在损失函数中加入弯道结构约束条件实现弯道增强,并采用权值稀疏剪枝技术进行模型缩减,提出了可以高效检测的弯道增强模型。该模型明显提高了弯道场景下的算法性能,大幅度减小了计算时间,具备良好的应用前景。