图像语义分割旨在为输入图像逐像素地分配语义类,作为计算机视觉任务的重要组成部分之一,其为自动驾驶领域的研究做出了巨大贡献。现有基于深度卷积神经网络的方法通过复杂的网络设计,在分割精度方面取得了显著提高,但其面临内存占用高及前向推理速度缓慢等问题,导致很难将其用于实时自动驾驶场景。故本文在实现精度与前向推理速度的平衡,及如何改善小目标分割精度等方面进行了研究,详细的研究内容为:采用轻量级技术提出了一种多级上下文引导的实时分割网络,其构成主要包括基于并行非对称卷积的上下文引导模块及通道注意模块。其中,前者采用深度可分离卷积及非对称卷积来减少计算量,并通过上下分支提取局部及其周围上下文的联合特征信息。为进一步改善联合特征信息,利用优化模块对其进行指导。后者主要是从精度提高的角度出发,通过深层语义来指导浅层筛选出更具表达能力的特征,从而改善分割效果。将上述模块应用于网络的各阶段,有效地实现了特征的多级优化。实验结果表明,同当前其它实时网络相比,所提方法在推理速度与分割精度的平衡上更具优势。针对小目标分割精度不高且分割边界模糊等问题,提出了一种基于注意力及边缘特征提取的实时分割网络,它是对Bise Net V3的改进。首先,结合非对称卷积,对短期密集连接模块做了轻量化处理,并通过并行的通道注意力及空间注意力增强了特征信息间的全局相关性。其次,边缘特征融合模块滤除了语义特征中与边界无关的信息,丰富了边缘特征并促进了语义分支及边缘分支的信息交流。边缘分支的设计使得网络在真实场景下仍能利用边缘信息进行分割,克服了Bise Net V3的缺陷。最后,在加权交叉熵基础上,将Focal Loss应用到多分类的语义分割任务中,使网络能够向着利于小目标分割的方向更新参数。在道路场景数据集上的对比实验及真实环境预测都表明,所提网络改善了边界清晰度及小目标分割精度,并在真实场景下仍具有很高的鲁棒性。