Con el rápido desarrollo de los sistemas de transporte inteligente, la detección de carriles y el reconocimiento de señales de tráfico se han convertido en tecnologías críticas para lograr la conducción autónoma completa. Estas tecnologías ofrecen información crucial en tiempo real sobre las condiciones de la carretera, siendo su precisión y resistencia fundamentales para la seguridad y confiabilidad de los vehículos autónomos. Este documento presenta un método innovador para detectar y reconocer líneas de múltiples carriles y líneas de parada de intersección utilizando tecnología de visión por computadora, integrada con señales de tráfico. En la fase de preprocesamiento de la imagen, se emplea el algoritmo de detección de bordes Sobel y un filtrado ponderado para eliminar ruido e información de interferencia en la imagen. Para líneas de múltiples carriles y líneas de parada de intersección, la detección y el reconocimiento se implementan utilizando una búsqueda de ventana deslizante multidireccional y unilateral, así como métodos de ajuste polinomial, desde una vista cenital. Este enfoque permite determinar tanto la posición lateral como longitudinal en la carretera actual, así como la secuencia del número de carril para cada carril. Este documento utiliza redes neuronales convolucionales para reconocer señales de tráfico de múltiples carriles. El conjunto de datos requerido de señales de tráfico de múltiples carriles se crea siguiendo parámetros experimentales específicos, y se utiliza el algoritmo de detección de objetivos de una sola etapa YOLO para entrenar los pesos. Teniendo en cuenta el impacto de las condiciones de iluminación inadecuadas, se emplea el canal V dentro del espacio de color HSV para evaluar la intensidad de la luz, y se utiliza el algoritmo SSR para procesar imágenes que no cumplen con los criterios de umbral. En la etapa de detección y reconocimiento, se identifica cada señal de carril en el semáforo y luego se empareja con el carril correspondiente en el suelo. Finalmente, se realiza un experimento conjunto de módulo visual para verificar la efectividad del algoritmo.