Moderne, auf Deep Learning basierende Methoden zur Spurdetektion erzielen in den meisten Szenarien hohe Erfolgsraten, stoßen jedoch bei Spuren mit komplexer Topologie auf Schwierigkeiten. In dieser Arbeit stellen wir CondLaneNet vor, einen neuartigen top-down-basierten Ansatz zur Spurdetektion, der zunächst Spurinstanzen erkennt und anschließend dynamisch die Linienform für jede Instanz vorhersagt. Um das Problem der Unterscheidung von Spurinstanzen zu lösen, führen wir eine bedingte Spurdetektionsstrategie ein, die auf bedingten Konvolutionen und einer zeilenweisen Formulierung basiert. Zudem entwickeln wir das rekurrente Instanzmodul (Recurrent Instance Module, RIM), um die Detektion von Spuren mit komplexer Topologie – wie dicht beieinander liegende oder verzweigte Linien – zu verbessern. Dank des end-to-end-Pipelines, die nur geringe Nachbearbeitung erfordert, erreicht unsere Methode Echtzeit-Leistungsfähigkeit. Wir evaluieren unsere Methode umfassend auf drei gängigen Benchmarks zur Spurdetektion. Die Ergebnisse zeigen, dass unsere Methode auf allen drei Datensätzen den Stand der Technik erreicht. Zudem zeichnet sich unsere Methode durch eine gleichzeitige hohe Genauigkeit und Effizienz aus, beispielsweise erreicht sie auf CULane einen F1-Score von 78,14 bei 220 FPS. Der Quellcode ist unter https://github.com/aliyun/conditional-lane-detection verfügbar.