Basado en la tecnología de aprendizaje multitarea de redes neuronales profundas, se estudia la detección de imágenes de carril para mejorar el nivel de aplicación de la tecnología sin conductor, mejorar la tecnología de conducción asistida y reducir los accidentes de tráfico. El uso de la base de datos de líneas de carril publicada por Caltech y la empresa Tucson se utiliza para extraer la ROI (Región de Interés), escalar y transformar la perspectiva inversa, así como para preprocesar la imagen, con el fin de enriquecer el conjunto de datos y mejorar la eficiencia del algoritmo. En este estudio, se utiliza ZFNet para reemplazar las redes básicas de VPGNet, y se cambian sus estructuras para mejorar la eficiencia de detección. La clasificación multietiqueta, la regresión de cuadros de cuadrícula y la máscara de objeto se utilizan como tres módulos de tarea para construir una red de aprendizaje multitarea llamada ZF-VPGNet. Teniendo en cuenta que las redes neuronales se combinarán con sistemas integrados en el futuro, la red se comprimirá a CZF-VPGNet sin afectar excesivamente la precisión. Los resultados experimentales muestran que el sistema de visión de la tecnología sin conductor en este estudio logró buenos resultados en las pruebas. En el caso de una línea de carril borrosa y una marca de línea de carril faltante, el algoritmo mejorado aún puede detectar y obtener los resultados correctos, y logra una alta precisión y robustez. CZF-VPGNet puede lograr un alto rendimiento en tiempo real (26FPS), y un pase hacia adelante toma aproximadamente 36 ms o menos.