使用传统方法的路面检测算法存在泛用性低、参数设置困难、准确率不高等问题。而现有的语义分割神经网络模型无法兼顾高准确率、低资源占用率和高帧率三个智能垃圾清扫车项目任务要求。本文针对智能垃圾清扫车的使用场景,设计并制作了新数据集——校园道路数据集。针对智能垃圾清扫车项目的需求,使用基于Mobile Netv2设计的语义分割网络,在Cityscapes数据集和校园道路数据集上训练,实现了对路面区域的分割;同时使用基于传统图像处理算法的结构化道路路面车道线检测,实现了对当前车道区域的判断。通过组合路面区域分割和结构化道路路面车道线检测的结果,确定了清扫车的作业区域,同时在检测速度和准确率指标上达到智能垃圾清扫车项目任务的基本要求。为了降低模型的资源占用率,本文将包含通道筛选的DCT模块与基于Mobile Netv2设计的语义分割网络模型结合,减少了网络模型的参数,降低了模型检测时的资源占用率。为了提升整体的检测效果,本文针对检测交并比较低的类别,设计了基于类别的Focal Loss,使得原本检测交并比较低的类别的交并比提升了6%,同时5个类别的平均交并比也提升了1个百分点。为了验证基于类别的Focal Loss的泛用性,本文用3种网络模型在2种数据集上做了交叉熵损失函数、基于像素的Focal Loss和基于类别的Focal Loss3种损失函数的对比实验,证实了基于类别的Focal Loss在不同的网络和数据集中都具有符合设计目标的提升效果。