语义分割作为计算机视觉领域的一个热门研究分支,在无人驾驶、医疗图像分割等领域具有重要的应用价值。语义分割是像素级别的分类任务,对输入的图像进行逐像素分类。在无人驾驶任务中,路况场景检测是需要重点关注的内容。实时语义分割可以对道路驾驶场景进行分割,帮助无人驾驶系统了解路况信息,及时做出决策。传统自动驾驶技术首先通过传感器采集驾驶环境的数据,然后利用算法进行数据分析,最终按照分析结果来控制车辆。而基于深度学习的语义分割算法将收集的图像经过卷积神经网络,以抽取图像所包含的特征,执行端到端的图像分割。与传统算法相比,基于深度学习的语义分割算法具有分割精度高、端到端执行和较高实时性等优点。随着语义分割网络被广泛应用于实际任务,各种问题也逐渐浮现在人们面前。例如,对于拥有复杂特征的物体,网络可能无法充分地学习其特征,导致整体网络的分割效果不理想。此外,对于多尺度物体的信息不够敏感也可能导致分割结果欠佳。为解决上述问题,本文从道路驾驶场景入手,首先应用注意力机制来学习含有复杂特征的物体,然后利用大的感受野提高网络对细小物体的识别能力,从而提升网络的分割精度。本文主要研究内容如下:（1）本文提出了基于特征协调注意力的实时语义分割网络（Real-Time Semantic Segmentation Network Based on Feature Coordination Attention,FCANet）,目的在于提高网络对图像中复杂物体的特征学习能力。本文的网络采用空间路径和语义路径所组成的双路径结构,其中空间路径用于提取丰富的空间信息,语义路径用于提取深层的语义信息。此外,本文引入注意力模块,设计了多路注意力机制（Multi-Channel Attention Mechanism,MCAM）和特征协调层（Feature Coordination Layer,FCL）。MCAM使得语义信息特征图的通道之间建立关系,进而对通道之间的关系进行提炼。FCL将语义路径中的底层语义信息与高层语义信息分别和空间信息进行融合。经实验,本文提出的网络在Cam Vid的测试集达到了62.4%的MIo U,分割速度能够达到116fps,这表明了MCAM的有效性和FCL的优越性。（2）本文提出了融合多尺度的多路注意力实时语义分割网络（Real-time Semantic Segmentation Network with Multi-Scale Multi-Channel Attention,MSMANet）,目的在于提高网络对图像中细小物体的分割能力。本文对特征协调注意力网络的分割能力做了进一步的优化,提出了扩大接受域模块（Extended Acceptance Domain Module,EADM）。大的感受野能够使网络提取物体间的错综复杂的关系特征,有利于网络识别细小的物体。本网络在Cityscapes数据集上进行训练和测试,在测试集上的MIo U为80.1%,这表明了本文提出的EADM能够提升网络对细小物体的分割效果。