空间和语义信息的特征融合对于实现高性能的图片语义分割（Image Semantic Segmentation）十分重要。快速语义分割任务要求网络模型的计算复杂度较低,网络包含多个分支需要接入特征融合模块,对研究人员高效设计特征融合结构提出了挑战。近年来,神经网络结构搜索（NeuralArchitecture Search,NAS）在自动网络设计方面取得了较好的效果。并且,因其辅助研究者设计网络架构,减少对人工设计依赖获得广泛关注。其中,可微分网络架构搜索相比于其他基于强化学习、遗传算法等优化方法的搜索方案具有搜索成本较低且候选架构评估效率较高的特点。近年,多层特征融合结构在目标检测和高精度语义分割等计算机视觉领域被证明能够提高标签预测的精度。然而,多层融合由形式重复的结构重复堆叠形成,结构较复杂,多变的层间特征融合连接结构加大了研究者的设计难度。而且,多层特征融合结构在快速语义分割特征融合模块的设计上应用较少。为了自动搜索高效的快速语义分割特征融合模块,本文改进可微分网络架构搜索并应用,主要工作如下:（1）拓展引导融合模块,实现多层引导特征融合结构。快速语义分割的双分支模型存在一种单层引导融合模块,能够促进分支之间更好学习不同信息的特征表示。结合多层融合思想,将引导融合从一层拓展到N层,将各层输出特征图以特征共享连接的形式向后继层输出,设计提高语义分割精度的融合模块。为了提高特征共享结构的训练效率,为该结构添加引导融合的跨分支连接以及层间跳连接。（2）应用面向特征融合的可微分网络架构搜索方法（MTL-NAS）,自动生成特征共享连接。对于快速语义分割的双分支模型,合并具有不同结构和职责的分支输出的不同尺度特征图可以近似看作两者实现精细语义分割合作。这种合作关系需要一个更合理、更有效的融合结构来提高精度。应用MTL-NAS自动搜索多层特征融合结构嵌入到已有的人工设计模型中。在Cityscapes数据集上测试的实验结果表明,搜索到的模块可以提高准确性。对于FastSCNN、ContextNet和BiSeNet,mIoU 的提高分别为 2%、2.5%和 1%。（3）搜索低计算复杂度多层引导特征融合结构。通过为搜索算法的改进损失函数以限制特征融合的连接数,降低计算复杂度。本文改进搜索空间,实现具有较少连接的多层特征融合。