目前,自动驾驶领域和无人机配送领域的主要场景均为城市场景。在自动驾驶领域中需要实时分析车辆周围环境以保证车辆安全的驾驶,无人机配送领域也是如此。随着自动驾驶行业和无人机配送的迅速发展,对周边环境的分割需求也变得与日俱增,因此对城市场景的分割研究具有非常重要的现实意义。现阶段的语义分割技术可以被概况为两步:第一步是通过卷积操作提取图像特征,完成对图像信息的提取和理解;第二步是用来恢复特征图的上采样操作。目前语义分割的研究大多侧重于分割精度提升的方法,如DeepLab系列等,对分割效率的研究并不是很多,然而实际生活的应用中,分割效率也是很重要的一部分。本文提出了一种基于稠密连接网络的实时语义分割网络模型来完成对城市场景的分割研究。在网络模型中反复使用稠密连接块来提取特征信息,并且稠密连接块中使用非对称卷积,扩张卷积等最新研究成果,使模型能够高效准确的完成城市场景的分割任务。在PyTorch框架上使用Cityscapes数据集来完成对模型的训练和测试,通过实验完成对模型的参数和结构的选择,包括增长率,解码器结构,空洞空间金字塔池化结构等。还使用了模型简单融合的方法以及分阶段训练的方法对分割精度进行优化。最后在分割精度和运行时间等方面对本模型和其它相关语义分割网络模型进行了对比,对比结果显示,综合时间和精度等方面来看,本模型是目前最优秀的算法之一。