在道路场景中检测车道线面临巨大挑战，主要因其结构复杂且易受不利环境条件影响。尽管车道线具有较强的形状先验，但其可见性极易受到光照变化、其他车辆或行人遮挡，以及随时间推移导致的颜色褪变等因素的干扰。此外，车道线存在多种形状及自然变异，进一步增加了检测难度，因此需要大量数据来训练能够应对多样化场景的鲁棒性车道线检测模型。本文提出一种新颖的自监督学习方法——基于跨相似性的车道线对比学习（Contrastive Learning for Lane Detection via Cross-similarity, CLLD），旨在提升车道线检测模型在真实场景中的鲁棒性，尤其是在车道线可见性受损的情况下。CLLD引入了一种对比学习（Contrastive Learning, CL）机制，通过在输入图像的全局上下文中评估局部特征之间的相似性，利用周围环境信息来预测车道线位置。该方法结合了局部特征对比学习与我们提出的跨相似性（cross-similarity）操作，实现了对车道线的精准定位与上下文感知。具体而言，局部特征对比学习聚焦于从图像小块区域中提取细粒度特征，这对于精确识别车道线段至关重要；而跨相似性操作则捕捉图像的全局上下文特征，使模型能够基于周围环境推断出被遮挡或模糊的车道线段。为进一步增强跨相似性能力，我们在数据增强过程中引入随机掩码（random masking）策略，对输入图像的部分区域进行遮蔽，从而迫使模型更依赖上下文信息进行推理。在TuSimple和CuLane两个基准数据集上的大量实验表明，CLLD在性能上超越了当前主流的对比学习方法，尤其在阴影、低可见度等恶劣条件下表现更为突出。同时，在正常光照条件下，CLLD也能取得与现有方法相当的检测效果。相较于监督学习方法，CLLD在真实驾驶场景中常见的挑战性情况（如阴影遮挡、交通密集区域）下仍表现出显著优势，展现出更强的泛化能力与实用性。