近年来,由于汽车数量的增多,交通事故发生率逐渐上升,汽车驾驶安全问题成为社会热点问题。无人驾驶汽车可以提升驾驶安全性,有效降低事故发生率,因此受到越来越多研究者的关注。车道线检测及分类是无人驾驶汽车的重要组成部分,快速、准确地检测车道线是研究者们追求的目标。起初研究者们主要采用基于车道线特征或模型的方法对车道线进行检测,面对阴影光照问题、车道线破损问题以及上下坡角度偏差等问题时,算法的鲁棒性降低,适应性较差,检测的准确度也会相应降低。深度学习方法在计算机视觉领域取得的成功,给车道线的检测与分类提供了新的思路。通过构建卷积神经网络,自动学习图片特征,既可以提高检测的速度和准确度,还可以提升算法的泛化能力。本文基于卷积神经网络对车道线进行检测及分类研究,主要工作如下。首先,在车道线提取过程中,针对高效语义分割神经网络(Efficient Neural Network,ENet)多维图像信息利用率低,导致车道线分割准确率低的问题,本文对ENet进行改进,提出基于残差的高效分割网络(Efficient Residual Neural Network,ERNet)。采用两条处理流进行特征传播:一个处理流为特征提取流,用于获取高维的语义信息,称之为池化流:另一个处理流以残差方式记录低维的边界信息,称之为残差流。引入残差流的目的在于加强低维边界特征传播,鼓励低维边界特征的特征复用。实验结果表明,在CamVid数据集、Cityscape数据集、SUN RGB-D数据集和Tusimple数据集上,ERNet的分割速度与ENet接近,但分割精度超过了 ENet。其次,为了解决传统拟合方法在车辆上下坡过程中采用与平路一样的透视变换矩阵,导致拟合精度下降甚至出现拟合偏差的问题,本文提出了基于卷积神经网络的车道线拟合方法。首先构建卷积神经网络学习变换参数,使网络可以针对不同角度的路面输出可变的透视变换参数,结合车道线分割图,对车道线进行透视变换。然后采用最小二乘法进行车道线拟合。最终根据拟合结果得到基于原图可见的车道线拟合图。实验结果表明,本文方法能有效提高车道线拟合效果。最后,由于传统车道线分类方法仅能对虚实不同的车道线进行分类,无法对颜色、虚实都不同的车道线进行分类且分类速度慢。针对此问题,本文提出基于卷积神经网络的车道线分类方法,基于VGG11模型进行训练,并对模型进行通道压缩,减少模型参数,提升分类速度。实验结果证明,基于VGG11的压缩模型得到了将近6倍的压缩,运行速度也相应提升,最终输出颜色、虚实均不相同的5个车道线类别。