解决计算机视觉问题时,分割是最主要的任务。尤其在自动驾驶、室内导航以及医学造影等领域,语义分割技术的影响不容小觑。近年来,基于深度学习方法的图像语义分割算法已经取得了优异的成绩,尤其是基于卷积神经网络的方法,例如FCN、PSPNet。较传统基于图论的分割方法相比,基于卷积神经网络的分割方法可以将更好的将图像进行全局特征分析,并且提取出各像素点之间的隐藏关联信息。凭借此优势,基于卷积神经网络的图像分割方法得到了更好的精度和速度,在图像语义分割领域广泛使用。目前卷积神经网络处理图像语义分割问题在两个方面仍有待提升:一方面在进行卷积操作时,处理不必要的大块的较为稳定的像素区块信息时,会存在过多的空间冗余;另一方面为了使模型更加轻量化,仅利用轻量级特征提取网络得到的特征图精度不足以满足分割要求。针对这两个问题,本文设计了OTCH-L轻型高频采样模块和基于该模块搭建的语义分割算法。针对卷积计算过程中存在的空间冗余问题,本文基于八度卷积（Oct Conv）以及残差网络设计思想,提出了OTCH-L轻型高频采样模块。为了进一步减少计算量,模块首先利用瓶颈块对输入的特征图进行通道调整,随后将特征图利用八度卷积的分频思想,进一步进行分频处理,降低特征图中低频分量的占比,提取出特征图中的高频部分,很好的解决了卷积运算中存在的空间冗余问题。针对轻型特征提取网络得到的特征图精度不足以满足分割要求问题,本文利用hard-swish激活函数,对轻量级提取网络MobileNet v2深层部分的Re LU激活函数进行替换,以此来补偿轻量级网络精度。本文模型首先采用改进后的MobileNet v2网络进行特征提取,再利用本文设计的OTCH-L轻型高频采样模块,并且与利用最大池化层和通道调整1×1卷积处理得到的结果进行通道叠加,得到最终分割结果。这样可以很好的丰富高层特征,增加上下文以及跨通道信息的融合,有效的提高网络精度和速度。经过在PASCAL VOC2012数据集上的训练和验证,并与传统CNN语义分割方法对比,基于八度卷积设计的OTCH-L轻型采样模块以及基于OTCH-L模块设计的语义分割方法有效的提升了语义分割网络的精度和速度。文章共5个章节,第1章阐述了研究背景以及研究意义,并介绍传统分割算法和深度学习研究现状,着重讲解了具有代表性的深度学习网络模型。第2章为语义分割概述与神经网络介绍。对本文涉及的具体图像分割问题的理论基础进行详细介绍,从传统神经网络到卷积神经网络以及网络各层,激活函数等进行详尽介绍,并且对本文对比的经典语义分割算法进行了简要介绍。第3章重点介绍基于八度卷积设计的采样模块,重点介绍了提出这种方法的动机以及设计过程,最后经过一系列参数设置的对比实验,最终确定本文模块中的参数。第4章着重介绍基于本文设计的轻型上采样模块实现的语义分割网络的设计细节以及训练过程,最后将本文模型与当下经典语义分割模型做对比实验。第5章为全文总结和展望。