近年来无人驾驶领域受到越来越多的关注,作为其核心任务的车道线检测任务也成为当下的科研热门领域。车道线检测的目的是在复杂的交通场景下检测出车道线,为无人驾驶提供决策。目前车道线检测方法主要存在以下两个难点,一方面:现有车道线检测算法均基于分割方法对车道线图像的像素进行分类,计算量过大,检测速度性能达不到实时性。另一方面:网络模型缺陷,导致局部感受野关键信息丢失;由于光照、车道线自身模糊、障碍物遮挡车道线等问题,导致检测语义上车道线准确率不高。针对以上两个难点,本文提出一种基于残差注意力的多图层车道线检测方法。主要工作如下:（1）针对车道线检测技术中分割车道线像素而导致检测车道线速度不快,提出一种基于多图层的车道线检测方法。即划分与车道线数量相同的图层,对图层的唯一一条车道线进行分类。本文将车道线检测任务视为车道线在行方向上（行方向指行车记录仪所拍摄内容的水平方向）的分类任务,将其每一行分成固定数量的分量,指定车道线所对应的图层的行方向上输出每个分量存在车道线点的概率,用以行为单位的多维向量表示。利用车道线的结构化特性约束车道线每一图层的车道线点,实现车道线检测。多图层保证车道线检测的全面性,相比于分割方法处理车道线图像像素,本方法仅对特定行的多维向量进行运算,可以极大减少计算量。（2）针对车道线关键信息丢失导致准确率不高,本文在注意力机制中增加残差单元形式,提出一种基于残差注意力机制的车道线检测方法。该方法包括两个分支,特征处理分支用来提取输入图像特征;残差注意力分支通过沙漏型网络对输入图像进行上采样与下采样,提取特征的关键信息权重。通过两个分支点乘运算可以减少在深层次网络中噪声对于更新梯度的影响,增强模型的鲁棒性。模型将整张输入图像作为感受野,保证关键点信息不丢失,提高车道线检测准确率。（3）本算法已经在公开数据集TuSimple以及CULane上进行实验,并对实验的可视化结果进行分析。通过对残差注意力模块、多图层车道线检测模块以及车道线结构化损失函数进行消融实验,证明本算法各个模块对于提升车道线检测性能均有重要作用;通过进行基线实验,证明本算法的性能显著优于SCNN、LaneNet等车道线检测算法。