随着智能时代的发展,自动驾驶技术近期引起了人们的广泛关注,其中,行车环境的车道线和车辆检测是自动驾驶的重要基础任务。由于实际行车环境复杂多变,基于传统统计学习方法的车道线和车辆检测方法已无法满足新时期自动驾驶的需求,研究高性能的车道线和车辆检测算法成为迫切且极具挑战的任务。近期,基于信号深度处理的卷积神经网络被验证是一种能够有效刻画区域语义映射的学习方法,为车辆和车道线检测提供了新的途径。为此,本文立足深度学习理论,开展了基于深度学习的车辆和车道线检测研究,具体内容如下:开展了基于卷积神经网络的目标检测网络的研究。建立了车辆训练数据集,构建了针对车辆目标的深度检测网络,并学习生成了车辆检测初始模型。进一步在不同难度和尺度等级上进行了各类型网络性能的测试,证明了深度检测模型相较于传统统计学习方法的有效性,为后续的网络设计提供了基准。针对车辆检测模型中中小尺度车辆目标检测的难题,基于目标多尺度分析策略,首先统计分析了经典数据库如KITTI和PASCAL VOC数据集中的目标尺度分布特征。进一步利用分布特征优化了建议框生成网络,引入了多尺度卷积核及残差网络结构,构建了基于卷积神经网络的车辆检测网络,能够有效刻画车辆的多尺度变化,并实现更鲁棒的梯度传递,能有效提升模型的检测性能。针对车道线检测问题,首先研究了基于阈值分割和曲线拟合的传统车道线检测算法。其次,针对车道线精细标注数据缺失的问题,设计了基于标注扩展的车道线精细标注生成方法,构建了车道线精细数据库。在此基础上,构建了基于全卷积网络的车道线分割网络及基于条件随机场的分割后处理方法,实现了车道线像素级别的分割。最后,开展了车道线和车辆检测网络的融合研究。具体地,首先,通过共享卷积特征提取特征,之后在深度特征谱后连接车道线和车辆检测网路,最终在一个模型中,实现车道线和车辆的同时检测。该模型在完成车道线和车辆检测任务的同时,有效简化了检测模型,明显提升了检测速度。