人民生活水平的提高带来了汽车需求的提升,随之而来的是频发的交通事故,研发安全的汽车辅助驾驶系统成为了当务之急。而车道线检测是汽车辅助驾驶的重要组成部分,车道线信息在汽车行驶过程中是车辆有无偏离车道的重要参考,对汽车安全行驶有重要意义。为此,研究人员在车道线检测问题上展开了深入研究。传统的车道线检测算法依靠人工设计特征,鲁棒性较差,且无法应对复杂的城市街道背景。随着深度学习技术的崛起,以卷积神经网络为主流的算法模型在计算机视觉领域得到广泛应用,这为车道线检测提供了新思路。现有的基于深度学习的车道线检测算法仍存在难点。首先,日积月累的磨损会导致车道线褪色,特征不明显;路旁的树荫、建筑物会干扰车道线检测算法的性能。除此之外,与整张图片的像素相比车道线像素过少,层层卷积的深度卷积神经网络容易导致细节信息损失。另外,车流量较大时车道线很容易被遮挡,使得车道线检测难度增加。针对以上难点,本文开展了基于卷积神经网络的车道线检测算法研究,研究内容可总结如下:（1）提出了全局-局部上下文模块。该模块通过获取两个不同层级的上下文信息帮助特征提取网络提取更具有辨识度的特征向量,缓解车道线因为被遮挡而导致的难检测问题;（2）提出了一种全局特征构建模块。该模块融合底层细节信息与高层语义信息,利用注意力机制以及切片操作使得用于判定车道线位置和类别的特征向量包含更多丰富的信息,提升模型检测效果;（3）基于以上两个模块,本文提出了一种基于anchor的车道线检测算法。算法流程与基于区域的目标检测算法流程相似,首先利用特征提取网络提取输入图像特征,然后利用anchor在特征图上获取特征向量,最后再对特征向量进行分类与回归。本文在公开数据集CULane和Tu Simple上对提出的车道线检测算法进行了有效性评估。对比其他先进的车道线检测算法,发现本文提出的方法能够较好地平衡准确性和速度,具备较强的实践性。