近年来,自动驾驶行业发展迅速,正越来越切实地改变着人们的生活,视觉环境感知作为自动驾驶一项重要的技术支撑,能辅助车辆进行对象的检测与跟踪、实时避障、路径规划等多项任务。语义分割是视觉感知的任务之一,能对图像进行逐像素的分类。相较于传统图像处理的方法,基于深度学习的语义分割精度更高、适用范围更广,已经成为语义分割的主流方式。本文对自动驾驶中的语义分割算法进行研究,具体研究内容如下:（1）总结了语义分割从传统图像处理到基于深度学习的不同算法的特点与关键思想。结合实践经验,总结归纳了基于深度学习的语义分割方法的三项关键内容:模型构建、模型训练、模型测试,为后续研究打下基础。（2）路面内容的语义分割研究。在校园环境中,基于自主移动平台,制作了路面语义分割数据集,设计并实现了从图像数据获取到车道线位置输出的完整流程:首先对单目相机收集的数据进行图像去畸变;随后利用编码-解码结构的深度神经元网络进行语义分割,识别车道线像素;得到车道线的二值分割结果后,基于车道线的特性提出了车道线像素降采样、自下而上的车道线聚类等后处理方式,区分每一条车道线;最后计算车道线在相机坐标系中的位置,给到控制模块,以实现平台沿车道线自主行驶。（3）道路场景的语义分割研究。本文从人类观察环境的方式切入,提出了级联语义通道的网络改进方法,该方法在输入端级联语义通道,将低分辨率图像的推断结果作为语义通道辅助高分辨率图像的推断,训练时能更好地融合大尺寸图像更精细的空间信息与小尺寸图像更丰富的上下文信息,推断时则使分辨率由低向高,逐层传递语义信息。此外,该方法可基于任意语义分割网络进行改进,因此搭建了两种结构不同的网络,在两个网络上均进行消融实验,比较本文方法与非本文方法在测试集上的精度。实验结果表明,本文方法在不同网络结构上结果一致:在不扩展网络结构的前提下,达到了提高分割精度的目的,且在本文提出的缩放式推断上,依然保持了这样的优势。