De nombreux groupes ont appliqué diverses techniques d'apprentissage profond à des problèmes de vision par ordinateur dans des scénarios de perception routière. Dans cet article, nous présentons plusieurs évaluations empiriques des récentes avancées en apprentissage profond. La vision par ordinateur, combinée à l'apprentissage profond, a le potentiel d'apporter une solution relativement peu coûteuse et robuste à la conduite autonome. Pour préparer l'adoption de l'apprentissage profond par l'industrie et ses applications pratiques, les réseaux neuronaux auront besoin de grands ensembles de données représentant tous les environnements et scénarios de conduite possibles. Nous collectons un grand ensemble de données routières et appliquons des algorithmes d'apprentissage profond et de vision par ordinateur à des problèmes tels que la détection de voitures et de lignes de circulation. Nous montrons comment les réseaux neuronaux convolutifs (CNNs) existants peuvent être utilisés pour effectuer la détection de lignes et de véhicules tout en fonctionnant aux taux d'images nécessaires pour un système en temps réel. Nos résultats apportent du crédit à l'hypothèse selon laquelle l'apprentissage profond offre des perspectives prometteuses pour la conduite autonome.