Die Erkennung von Fahrstreifen ist für autonome Fahrzeuge äußerst wichtig. Aus diesem Grund verwenden viele Ansätze Informationen über die Fahrstreifenbegrenzungen, um das Fahrzeug auf der Straße zu lokalisieren oder GPS-basierte Ortung zu integrieren. Wie bei vielen anderen Aufgaben im Bereich der Computer Vision sind Faltungsneuronale Netze (CNNs) die Standartechnologie zur Identifikation von Fahrstreifenbegrenzungen. Allerdings reicht die Position der Fahrstreifenbegrenzungen in Bezug auf das Fahrzeug allein nicht aus, um eine zuverlässige Positionierung sicherzustellen, da für die Pfadplanung oder die Lokalisierung auch Informationen über die Art der Fahrstreifen benötigt werden können. In dieser Arbeit präsentieren wir ein System von Anfang bis Ende zur Identifikation, Clustering und Klassifizierung von Fahrstreifenbegrenzungen, das auf zwei kaskadierten neuronalen Netzen basiert und in Echtzeit läuft. Um das System zu entwickeln, wurden 14336 Instanzen von Fahrstreifenbegrenzungen des TuSimple-Datensatzes für die Erkennung von Fahrstreifen mit 8 verschiedenen Klassen versehen. Unser Datensatz und der Code für die Inferenz sind online verfügbar.