基于深度神经网络的语义分割技术,得益于其对周围环境有着像素级的理解的特性,在移动设备中有着广泛的应用,例如自动驾驶、虚拟背景等。但资源受限的移动设备难以运行这些大型的深度学习网络,往往需要用边缘计算技术将需要处理的任务上载到附近的边缘服务器上进行计算来缓解对移动设备的资源需求。为了解决移动设备带宽受限带来的高上载时延问题,一个可行的做法是设计合适的压缩算法来降低上载数据的体积。尽管现有的压缩算法能够利用感兴趣区域对目标检测任务进行自适应压缩,但语义分割任务的感兴趣区域是不明确的,只能采用空间均匀的压缩算法,不能有效地提高压缩率或减少精度损失。因此,亟需一种适用于语义分割的、空间自适应的压缩算法以满足云边协同视频语义分割任务的需求。本文针对云边协同语义视频分割任务设计了一个定制的自适应压缩上载方案,创新性地使用语义分割网络梯度作为图像空间敏感度设计了压缩策略,在不损失精度的情况下,达到了较高的压缩率。然而,实现这一算法面临着压缩策略反馈存在巨大带宽消耗和视频图像帧敏感度不可预测等困难。本文通过一个时空自适应压缩算法来解决这些问题。具体的,本文通过（1）离线计算得到多级压缩量化表并实时选择量化表等级来生成空间自适应压缩策略,有效地降低了压缩策略反馈的体积;（2）提取密集光流将压缩策略和语义分割结果进行帧间传播,并自适应上载关键帧,以适应视频内容的实时变化。本文设计了相关实验进行了性能分析,在两个数据集上进行了测试,在一个商用移动设备上实现了上述方案。实验结果表明,本文工作可以节省高达20.95%的带宽。