无人驾驶是人工智能系统在人们生活中的重要应用之一,具有巨大的发展前景。图像语义分割技术作为无人驾驶系统中的重要技术之一,为无人系统分析道路可通行性提供了技术支持。目前,大部分网络模型采用相同的感受野提取图像语义特征。这将导致模型丢失大量的尺度信息,降低模型的分割效率。此外,为提高分割精度,模型常常具有庞大参数量。这不仅导致计算速度缓慢,还增大了对硬件资源的需求量,不利于模型在无人系统中的应用。本文主要研究基于卷积神经网络的具有高精度的轻量级图像语义分割算法,实现算法在地面无人系统中的应用。主要包括以下几个研究内容:（1）提出了一种用于城市街景图像的高精度轻量级语义分割卷积神经网络。低参数的网络模型能够更快地对输入图像进行语义分割,具有更好的实时性;获取多尺度信息能够提高模型的分割精度。因此,本文利用提出的逐层分组堆叠卷积进行网络降参,利用自适应选择卷积核对同一块图像区域提取不同尺度的语义特征提高分割精度,实现了一个高精度的轻量级语义分割算法。实验结果表明该方法能够大大降低网络模型的参数数量,同时能够获得有效的分割结果。（2）对提出的轻量级语义分割网络进行了改进,提出了一种结合上下文相关信息以及高级特征信息进行解码的图像语义分割网络。通过融合多种全局上下文信息,增强了模型在上采样时对图像不同类别边界细节信息的恢复能力。实验结果表明该方法能够获得更好的语义分割效果。（3）提出了一种基于空间细节信息的鱼眼图像语义分割方法。该方法将浅层提取的空间细节信息通过跳跃结构输入到深层网络中进行信息融合,从而提高了模型的性能。此外,为了训练和测试模型,利用等距球面投影模型,将Citysacapes数据集转化为鱼眼图像数据集。实验结果表明,该方法能够取得更好的分割结果。（4）设计了一个基于深度卷积神经网络的城市街景图像语义分割系统。该系统能够实现模型的训练以及将输入系统的城市街景图像进行语义分割,并根据相应的标签图像显示不同语义类别的分割精度。