在计算机视觉中,语义分割作为一个经典的研究方向,其任务是对图像分配像素级标签。在深度学习思想的影响下,语义分割技术发展迅速,在视频监控,自动驾驶等领域发挥着潜在的作用。而现有的语义分割方法通过构建复杂的模型,尽管达到了高精度的要求,但是存在复杂模型参数多,分割速度较慢的问题,无法达到很好的实时性。而在语义分割的实际应用中,通常需要处理一些高分辨率图像,如何更好地保持实时性和准确性显然是一个极其重要的问题。基于以上分析,设计了一种基于Deep Lab V3改进的实时语义分割算法,具体研究内容如下:（1）对Deep Lab V3网络结构进行改进。原有的Deep Lab V3网络结构分割精度较高,但参数量庞大,不满足实时性的要求,因此选用Mobile Net V2的轻量级架构作为特征提取网络,有效降低参数量,并优化Deep Lab V3中的空间金字塔池化模块,使用1×1的卷积降低通道数,同时普通的卷积被深度可分离卷积取代,进一步提升分割速度。（2）语义流对齐模块。在语义分割中,高层低分辨率特征包含很强的语义信息,而缺失细节,而低层高分辨率特征表现出很好的细节信息,语义不明显,因此,融合高低层特征是一种常见的解决方案。但是高低层特征直接融合时存在像素偏移的问题,针对这一问题,加入了语义流对齐模块。将两个相邻级别的高低层不同分辨率特征图传入语义流模块,该模块主要是利用特征图之间的语义流关系,达到像素对齐的目的,高层特征可以高效地向低层特征传入语义信息,实现基于语义流的特征图之间的特征融合操作。（3）注意力机制模块。注意力机制可以捕获更多的信息特征,从而增强其表达能力,因此在语义分割中得到了广泛应用。注意力机制可以对各个特征赋予不同的权重参数,从而使网络抑制对语义分割不重要的特征,更加关注重要的特征。在网络中加入双尺度注意力机制模块,可以获取双尺度的空间感受野信息,建立双尺度通道注意力的长期依赖关系,得到一个双尺度特征信息注意力加权之后的特征图,更好地实现注意力信息的交互。在Cityscapes,Pascal VOC2012和Cam Vid三种不同的数据集上进行实验,结果显示,算法的分割精度m Io U分别达到了73.2%,73.5%和75.0%,分割速度FPS分别为50,97和90。总体而言,该算法在语义分割中可以很好的兼顾准确性和实时速率,达到实时语义分割的要求。