语义分割问题是当前计算机视觉研究的重要且前沿性的课题。近年来,伴随着卷积神经网络理论的不断发展和广泛应用,以及计算机高性能计算单元的进步,基于深度学习的语义分割算法逐步走进人们的视野中,并在自动驾驶、机器人、医学图像处理、地理图像信息系统等领域发挥了重要作用。语义分割通常分为高精度的语义分割和实时的语义分割,两者的区别在于处理图像的速度和精度上的侧重点不一样。语义分割是一种密集预测任务,旨在为图像中的每一个像素分类。在训练过程中,图像经过网络模型输出为一个张量,再通过交叉熵损失函数优化模型。大部分的网络模型是基于分类主干网络或者从头设计的模型,考虑到算法的实用性,具有实时性的网络模型更有优势。实时分割算法基于编码器解码器或双分支架构,其中轻量级编码器起到了关键作用。实时分割算法通过对网络实现细节优化,如卷积过程、上采样下采样过程,加速网络推理速度的同时保证一定的精度。本文针对现有的语义分割算法模型过于复杂,计算过于耗时而无法应用在自动驾驶、场景理解等需要实时响应领域的问题,提出了一种新的轻量的基于注意力机制和扩张卷积的实时分割算法。首先,编码器部分设计了一个高效的特征提取模块,它包含了非对称并行的带不同扩张因子的卷积模块,在增大感受野的同时保留了局部的细节信息。通过叠加这种结构,网络不需要添加特殊设计的多尺度语义信息提取模块。同时在解码器部分,利用两种不同的注意力模型去融合网络中不同层产生的特征图信息。算法模型在公共数据集cityscapes和camvid上进行了验证,在cityscapes测试集上m Io U达到78.05%,帧速率达到30.5帧/s。在camvid上m Io U达到76.52%。同当前的其他实时语义分割方法相比,该网络性能更优。