语义分割是智能驾驶领域场景理解中最常用的技术手段,当前语义分割算法的研究主要分为两个方向,一是通过构建深层复杂网络,以牺牲网络效率为代价提升网络精度的研究方向;二是通过构建浅层轻量级网络,以牺牲网络精度为代价提升网络效率的研究方向。本文针对当前语义分割算法无法同时满足高精度和高效率要求的问题,提出了一种精确高效的语义分割算法,实现了分割精度和分割效率上的平衡。残差模块可以让网络在保持较大深度的同时避免梯度消失问题和退化问题,从而提升网络精度。但是传统残差模块的计算效率是影响网络效率的一个重要因素,为解决传统残差模块的效率限制,本文结合深度可分离卷积和残差连接设计了一种新型残差模块,称为可分离残差模块。残差连接可以帮助构建深层网络,深度可分离卷积可以降低卷积核的参数量和网络的计算量。该可分离残差模块结合了残差连接和深度可分离卷积的优点,可以让网络在深度增加的同时保持较低的参数量和计算量,进而在保持网络分割精度的同时提升网络的计算效率。为进一步提高网络的计算效率,本文设计了一种步长为2的最大池化和步长为2的卷积输出并行连接的并行降采样模块。该降采样模块利用池化操作的高效性提升网络效率,利用卷积核的大感受野提升网络精度,从而保持网络在分割效率和分割精度上的平衡。本文基于提出的可分离残差模块和并行降采样模块设计了一种可以充分利用其学习能力和学习效率的高效精确语义分割网络结构,称为可分离残差网络,实现了分割精度和分割效率的平衡。使用TITAN X显卡,在Cityscapes路面场景数据集上进行实验,设计的网络可以在每秒处理12帧原始分辨率图像的效率基础上达到67.86%的分割精度。结果表明,本文提出的方法在分割精度和分割效率上都能达到较好的效果,实现了精度和效率的平衡,可以进一步应用到智能驾驶场景理解等需要保持算法准确性和实时性的智能视觉应用中。