近年来,得益于卷积神经网络特征提取能力的增强,其在计算机视觉的诸多任务中占据了愈发重要的地位。作为计算机视觉领域的重要分支,图像语义分割随着卷积神经网络的发展,也在不断取得突破。传统的图像语义分割方法受限于模型的特征提取能力,往往不能够提取到深层次的语义信息,造成分割精度低,鲁棒性低。将卷积神经网络带入图像语义分割领域后,极大提高了分割精度,拓宽了应用场景。由于卷积神经网络运算量大、复杂度高,容易造成分割用时过长、模型过大,难以应用到实时性场景中去。某些需要满足低延时的应用场景如自动驾驶场景,对于模型的运行速度有这更严苛的要求。如何设计网络模型在分割精度和分割效率之间取得平衡尤为重要,因此在实时语义分割中兼顾模型的速度和精度具有重要的研究意义。本文针对这一任务开展研究,具体如下:首先基于DeepLabV3+方法,提出了融合注意力机制与金字塔结构的实时分割方法。该网络致力于在保证一定分割精度的基础上,获得更快的推理速度。主干网络利用减少通道数的方式减小计算消耗。对于空间空洞金字塔池化模块,将普通卷积替换为深度可分离卷积,并对池化分支进行分层堆叠。利用空间注意力机制和通道注意力机制构建注意力特征融合模块,将不同维度间的特征高效融合。通过实验证明,融合注意力机制与金字塔结构的实时分割方法相对于其他方法在拥有相似分割精度的前提下,获得了更高的实时性。其次提出了基于空洞沙漏模块与空间分支的实时分割方法。面对实时性要求更高的自动驾驶场景,对网络模型的推理速度提出了更高的要求。以编解码器结构为基础,编码器部分利用快速下采样模块在初期迅速减小图像尺寸,接着将空洞沙漏模块作为主干网络特征提取单元,最后连接改进的空洞空间金字塔池化模块。空间分支并行于主干网络,用来提取原始输入图像的空间信息,最后借助注意力特征融合模块将空间信息和高维度语义信息进行融合。解码器部分,利用双线性插值进行上采样。综合实验表明,基于空洞沙漏结构与空间分支的实时分割方法在分割精度和分割速度上表现出色,可以应用到自动驾驶等实时场景中。最后基于上述算法为基础,结合PyQt5工具包、Socket技术,实现了本地街景图像导入、局域网街景图像采集、图像分割展示等功能。为评判算法的分割性能提供了可视化界面,并对利用无线传输图像实现分割的方式进行了探索。