自动驾驶或辅助驾驶中的核心任务之一是环境感知,车道线作为路面的重要标识,也是环境感知的重要部分,所以准确稳定地检测车道线是自动驾驶的基础任务之一。早期传统车道线检测工作使用手工设计的特征,只适用于理想场景下的车道线检测。随着深度学习的迅猛发展,深度神经网络也被用于车道线检测任务,基于深度学习的车道线检测在准确度和鲁棒性上都获得很大提升,但复杂场景下,例如遮挡、光线不足场景等,车道线检测任务依然具有挑战性。现有针对复杂场景下车道线检测的方法使用灭点信息指导车道线检测或者增大图像的感受野,但不能很好的学习到车道线细长而不连续的结构特征。所以本文提出两个不同的方法,它们都能够感知车道线的结构特征,帮助提高复杂场景下车道线检测的准确度。第一种方法是基于注意力机制引导结构感知的车道线检测(SALMNet)模型,它提出语义信息引导的注意力机制(SGCA)模块,用深度卷积神经网络中高层的语义信息帮助选择低层特征中车道线结构特征。并提出多尺度可变形卷积(PDC)模块,用不同尺度的可变形卷积增大感受野并学习车道线复杂的结构特征。因此,SALMNet能够降低误检率同时增强车道线的结构特征。在三个公开数据集上的实验结果表明SALMNet的效果优于其他先进车道线检测算法。第二种方法是双向结构特征融合的车道线检测模型,它提出分层聚合的可变形卷积(HADC)模块从高层到低层融合车道线的结构特征,从低层到高层融合车道线的细节信息,并重复使用多个HADC模块,充分融合不同层的特征。在三个公开数据集上的实验结果表明HADC模块能够有效提高轻量级模型在车道线检测任务上的效果。综上所述,本文的贡献点可以总结为以下几点:1)提出基于注意力机制结构感知的车道线检测(SALMNet)模型。SALMNet先使用语义信息引导的注意力机制模块选择卷积神经网络低层特征,帮助增强车道线的特征并抑制非车道线区域的噪声。然后使用多尺度可变形卷积模块增大特征图的感受野并学习车道线的结构特征。SALMNet在三个公开数据集上的结果都优于现有先进算法。2)提出双向结构特征融合的车道线检测模型。该模型使用分层聚合的可变形卷积模块双向融合不同层学习到的车道线结构特征和细节特征。在三个公开数据集上的结果表明双向结构特征融合特征能够有效提高轻量级网络在车道线检测任务上的效果。