局部和全局特征提取在车道线检测任务中扮演着重要的角色。针对现有的基于激光雷达的车道线检测算法局部特征提取层次单一和全局特征利用不充分的问题，提出一种基于自适应门控的双路激光雷达三维车道线检测算法。首先，通过全局特征金字塔结构，使网络提取具有全局相关性的多层次车道线特征；其次，引入双路结构，其中辅助通路将底层高分辨率纹理特征压缩到高级抽象语义特征从而降低计算复杂度，压缩的语义特征用作另一个构建的主通路的先验信息，帮助学习更加精细的底层纹理细节，并借助高效移动卷积模块，在缓解注意力窗口效应的同时产生更好的下采样特征；最后，设计一种自适应多阶门控模块来更好地利用上下文信息，使网络自适应捕捉车道线更具代表性的全局纹理及语义特征。在K-Lane数据集上的实验表明，所提算法F₁分数较主流模型提升2.6个百分点，在不良光照、严重遮挡条件下分别提升2.7个百分点和3.5个百分点。将算法部署在实车平台实现在线检测，验证了算法的工程实用价值。

针对计算机绘制车道线地图的过程中，需要在移动背景下精准追踪车道线的功能需求，提出一种结合帧差法和窗口搜索的车道线跟踪方法。首先，对广角镜头拍摄的图像进行棋盘格矫正，再利用逆透视变换(IPM)将包含车道线的感兴趣区域转换为鸟瞰图，再使用色度,饱和度,纯度(HSV)、红绿蓝(RGB)分别将白色、黄色像素筛选出来。其次，利用车道线与垂线的夹角对车道线进行修正，根据修正后图片的像素密度，选出车道线的起始点，并采用滑动窗口搜索的方法提取整个车道线。最后，采用改进的帧差法，对车道线进行跟踪，并根据车道线标准对车道线像素进行规范化补充。由大量的实际道路行驶测试表明，该算法的准确率为94.97%，能够较为精确地完成车道线的追踪。

针对激光雷达在检测道路障碍物的过程中，由点云数据密度不均而导致障碍物检测准确率低和实时性差的问题，提出一种优化的密度噪声空间聚类（DBSCAN）算法以提高道路障碍物的聚类效果。首先依据点云数据的反射强度信息对车道线进行检测，提取感兴趣区域；然后使用射线坡度阈值地面分割算法进行地面分割，实现对斜坡地面的彻底分割；最后提出一种自适应的DBSCAN算法，选取代表性的核心点以及自适应聚类半径，实现对不同距离密集障碍物的快速准确聚类。实验结果表明：所提算法能够对不同距离的密集障碍物准确聚类；与传统算法相比，所提算法的正检率提高24.07个百分点，平均耗时减少1.18 s。

针对当前基于语义分割的车道线检测算法速度与精度不平衡等问题，提出一种优化ERFNet的车道线检测算法。首先设计一个高效的核心模块，通过引入通道分离和通道重组等操作，大幅降低了模型参数量与计算量。其次对下采样进行调整，增加单分支下采样，在减少信息损失的同时提高模型并行度。最后在编码器末端引入特征融合模块，利用空洞卷积扩大感受野，提取不同尺度的车道线特征。在CULane数据集上对本文算法和四种基于语义分割的车道线检测算法进行对比实验，结果表明，在交并比阈值为0.5的情况下，本文提出的算法综合F1评分为73.9%，单帧图像的推理时间可达到12.2 ms，均优于其他四种算法，达到速度与精度的良好平衡。