在智能驾驶系统中,道路目标检测与车道线检测是其中的主要技术之一,并且在智慧城市交通系统等领域具有极其重要的理论研究价值。由于在实际道路目标检测场景中需检测目标种类多、场景复杂等,检测容易受到场景环境的影响;车道线检测场景中,车道线会存在残缺、破损、强光照等条件的影响,造成检测效果差等问题。本文主要围绕道路目标检测当中的检出率低的问题与车道线检测易受环境影响的问题展开研究,对于智能驾驶系统有较强的理论研究意义和工程使用价值。在总结目前道路目标检测与车道线检测的国内外研究现状与常用的检测算法之后,确定文章研究的内容,分析卷积神经网络的基本原理,为后续道路目标检测与车道线检测做足理论铺垫与方法选择。在道路目标检测方面,选取YOLOv3目标检测算法,并针对YOLOv3网络在实际道路场景目标的检测过程中存在漏检现象较多的问题,提出可行的改进方案。首先,利用K-means++聚类算法替换原网络中的K-means聚类算法对KITTI数据集的anchor的个数以及宽高比进行聚类分析,使所得anchor参数更具备适用性;其次,为了提升道路目标检测算法的性能,对现有的网络输出进行优化处理,增加104×104的特征检测层,能有效的减少特征消失现象;最后,使用空间池化金字塔对特征图进行不同的分块池化,每块中提取出一个特征作为一个维度,确保最后得到特征的维度一致,从而解决信息丢失和尺度不统一的问题。在车道线检测方面,选取SCNN车道线检测算法,针对SCNN网络在曲线车道线检测方面的强光照等其它几个场景下车道线检测精确率与召回率低的问题,提出了一种改进SCNN网络的方法。该方法的主干网络仍旧沿用了SCNN的切片卷积的方法,与SCNN所不同的是在切片卷积之后,将每个行卷积与列卷积所提取的特征信息,再在经过多尺度特征提取模块提取出不同尺度的特征信息,再对这些特征图进行匹配融合,就能得到所需的特征图,最后通过预测车道线的标记网络输出检测结果图。对道路目标检测YOLOv3的改进网络算法与原算法以及当前的其它几种目标检测算法的检测结果进行对比分析,结果表明:改进后的YOLOv3算法相较于其他算法的检测性能有明显的提高,也能满足道路目标检测的应用需求。对比SCNN网络、改进后SCNN网络、Lane net网络以及VPG Net网络四种车道线检测算法,改进后SCNN网络在F1、Precision、Recall这三个评价指标都有较高的评价表现;最后在Tusimple、BDD100K、CULane三个数据集上验证了改进后SCNN算法具有较强的检测性能。简而言之,改进后YOLOv3算法与SCNN算法分别在道路目标检测与车道线检测方面具有良好的检测效果。