近期的车道线检测研究已在复杂场景下实现了高精度的车道线识别，但许多方法在计算资源受限的情况下难以实现实时性能。本文提出了一种名为SwiftLane的轻量级、端到端的深度学习框架，结合逐行分类（row-wise classification）的建模方式，以实现快速且高效的车道线检测。该框架进一步引入了误检抑制算法与曲线拟合技术，显著提升了检测精度。实验结果表明，所提方法在主流CULane基准数据集上实现了411帧/秒的推理速度，在速度方面超越了当前最先进的方法，同时在精度上保持了相当的水平。此外，结合TensorRT优化技术，该框架可在Nvidia Jetson AGX Xavier嵌入式系统上实现实时车道线检测，达到56帧/秒的高推理速度，充分验证了其在边缘设备上的实用价值。