车道线检测技术是高级驾驶辅助系统中必不可少的关键技术之一。在一些简单场景中,现有车道线检测算法的效果能满足实际应用需求,但是在光照不佳、路面拥堵、车道线外观改变、路面地标干扰等具有变化性的道路场景中,算法性能急剧下降。近年来基于深度学习的方法将计算机视觉领域推向了一个新的高度,其算法在鲁棒性、准确度等方面远超传统算法,因此本文尝试将深度学习应用于车道线检测,在不同的道路场景中达到准确、实时的效果。本文旨在探索可以应对道路场景变化的车道线检测网络,综合考虑算法的准确性和实时性,结合实际应用场景,提出了基于LaneNet的车道线检测算法LargeFOV-LaneNet 和基于 Spatial CNN 的车道线检测算法 Spatial-LargeFOV,主要工作和创新点如下:(1)本文基于LaneNet的设计思路提出多任务网络LargeFOV-LaneNet。探索了以LargeFOV(Large filed of view)为基础网络的编码器-解码器结构,并且利用不同扩张率的空洞卷积组合和跳跃连接融合多尺度上下文信息,实验证明此算法可以在不同的道路场景中实现实时、较准确的车道线检测。(2)本文基于Spatial CNN的基础模型提出Spatial-LargeFOV。为了增加车道线目标的空间位置关系,以LargeFOV(Large filed of view)为基础网络搭建结合空间卷积结构的编码器-解码器网络,实验证明此算法在速度和精度之间取得权衡,可以在不同的道路场景中实现实时、准确的车道线检测。实验结果表明,本文提出的Spatial-LargeFOV在光照不佳、路面拥堵、车道线外观改变、路面地标干扰等具有变化性的道路场景中均具有较好的鲁棒性,在CULane的测试集上可以达到71.5的F-measure值和每帧图片35ms的速度。