图像的语义分割是计算机视觉领域的基石问题之一,在当下自动驾驶领域有着十分重要的地位。语义分割的目的是将图片中的像素按类别进行区分。在自动驾驶任务中,车辆对道路环境的感知理解情况是非常重要的,后续的决策与规划任务都依赖着车辆对周围环境的感知和判断。虽然目前自动驾驶场景下语义分割应用广泛,但也存在一些问题。如在低速自动驾驶场景中,车辆往往需要靠路边行驶,国内道路路况复杂,路面和路边有各种小型障碍物,往往种类不一,导致模型学习难度较大,而且模型所重点关注的类别往往在整张图片中占比较少,迫切需要特定的数据增强工作。并且,目前传统语义分割模型在小型障碍物类别边缘轮廓特征方面存在着难以学习等问题,为能在实际的环境感知问题中有较好的分割效果,本文提出了一种面向自动驾驶场景下特定类别的语义分割的相关技术的改进。本文的主要研究内容如下:（1）针对现实国内交通场景中小型的障碍物类别繁杂,数量较少,采集图像中所占像素比过低而导致模型难以学习的问题,在原有数据集的基础上本文提出一种类真实场景自适应性的数据增强算法,它可以根据原有的数据集丰富特征,结合原图的实际场景去生成新的数据,并提供两种常见的粘贴策略,能保证增强后的数据集的空间语义一致性和几何大小一致性。在数据增强后,本文使用HRNet作为骨干网络,用Lovasz损失搭配交叉熵损失进行收敛,并针对真实场景数据集进行了三分类,其中重点对小型障碍物进行分割。实验结果表明通过本文提出的类真实场景自适应数据增强算法,增强后的数据集使模型的指标获得了提升,达到了84.23%的Io U,要优于一些传统的数据增强算法,这体现了该方法的有效性和优越性。（2）接下来针对真实场景中小型障碍物边缘难以学习的问题,本文提出了一种针对轮廓的辅助的损失函数,使得模型在一开始通过异或和池化的方法来学习特定类别的较为粗糙的轮廓,降低了模型在一开始对精细轮廓的学习难度,并重构了框架的方法,将模型的迭代次数与轮廓的粗糙程度相绑定,使得模型在迭代的次数中逐渐学习并对边缘特征信息进行加强训练。（3）针对小型障碍物与其他类间区分程度较低的问题,在PEBAL（Pixelwise Energy-biased Abstention Learning）异常检测的启发下,本文提出了一种改进的能量概率密度模型的方法。在原方法上做出改进,损失部分只针对训练集中受关注的类,而不是当做新的类别去检测异常,并减少了计算量。该方法先对预测物体的概率值进行能量值的定义,将受关注的类和普通类进行类间距离的扩大,来使得模型对于小型障碍物类别更有区分度。实验表明两种损失函数方法在相关指标上分别能达到84.64%,84.73%,并且结合实验的可视化结果图,可看出本文提出的损失函数要优于传统语义分割方法部分的损失函数。并且本文提出的损失函数方法即插即用,为了验证方法的泛用性,在同样的实验环境和条件下,在Cityscapes数据集上进行了不同语义分割网络的实验,结果表明本文提出的损失函数的效果要优于同样的Focal loss和Tversky loss,在现实任务中具有一定的实用性。