图像语义分割是一类利用图像中的高层语义特征对单个图像像素进行语义预测识别和语义分类的重要技术。随着现代人工智能科技不断的深入发展,在计算机视觉前沿领域的研究与实践中,图像语义分割已成为研究最基础的部分,在国内外诸多相关领域有着日益深厚的应用开发价值,如无人自主驾驶汽车、医疗影像分析、拍照摄影等。早期的图像分割方法分割性能较差,不能满足在复杂的城市道路场景中进行语义分割的需求。随着深度学习技术的不断发展,将传统的语义分割提升到了像素级别的语义分割,基于卷积神经网络的语义分割方法也逐渐替代了传统的语义分割方法,因此,基于卷积神经网络对图像语义进行像素级别的分割成为了当前的研究热门。图像语义分割在道路场景中的应用主要分为两种:一种是对道路场景中不同物体进行分割;另一种是更加精细地对某一类物体的不同目标进行实例分割。本文中所研究的道路场景语义分割问题是利用卷积神经网络作为基础实现对城市道路场景中不同类别物体的多重分割。卷积神经网络模型复杂,参数量大,容易受到其它噪声影响,进行道路场景语义分割具有一定的挑战性,因此,针对上述问题,本文的具体研究内容如下:（1）由于Fast-SCNN模型复杂,参数量大,在进行计算时速度有待提升,可能存在着一定的冗余信息,因此,有必要寻找一种有效的评估方法来判断参数的重要性,将一部分不重要的连接裁剪掉,以减少模型的冗余度,提高模型的推理速度,本文中提出在全局特征提取部分使用模型剪枝,对该部分进行微调,降低参数量和计算量,通过实验验证该方法是有效的,能够提高推理速度。同时感受野也是影响分割效果的原因之一,Fast-SCNN模型进行语义分割时存在同类别目标分割混乱以及不同类别目标难以区分的问题,因此引入多尺度特征信息融合,将不同尺寸的特征信息与高层语义特征信息进行融合,可以识别到更多浅层特征信息,增加网络的感受野大小,提高分割的精度。在Cityscapes数据集上进行了实验,验证了该方法的有效性。（2）Fast-SCNN网络在解码器部分进行图像信息还原时,由于网络结构和分割方法的问题,导致图像信息压缩过度,在图像信息还原过程中将会丢失很多特征信息,导致最后得到的分割效率不高,因此,在解码器部分采用扩张解码,利用三个扩张卷积密集连接到一起进行多尺度信息的获取,得到更为丰富详细的特征信息,有效地提升网络模型的分割精度。在Cityscapes数据集上进行实验,证明改进方法较原模型分割精度有一定提升。（3）在进行图像语义分割时,会受到来自其他噪声产生的干扰,在此过程中识别机制会关注到一些无用信息,导致一些有用特征信息的丢失,针对这一问题,本文引入使用两种不同的注意力机制,利用从通道以及空间得到的特征信息来增强该网络对目标细节信息的进一步关注以及学习,在一定程度上减少了其他噪声信息带来的干扰。能够在丰富的图像特征信息中关注到更多有用的细节信息。同时在Cityscapes数据集和ADE20K数据集上进行了实验,验证了该方法的有效性。