图像语义分割是计算机视觉领域中十分重要但是又存在诸多难点的技术,用途十分广泛,其中用于自动驾驶的实时语义分割也是未来的发展重点之一,随着周围生活环境的日益复杂,准确并且高效的语义分割算法拥有较高实际应用价值,随着技术的不断进步,数据指数式的递增,研究语义分割同样具有较强的研究意义,而目前针对语义分割的研究思路大致分为两步:第一步则是通过卷积神经网络不断提取特征,实现对于目标的大量语义信息的采集;第二步则是对提取到的特征进行上采样恢复到原始输入图像的尺寸。针对面向自动驾驶的实时语义分割,本文选择在分割时间与精度都十分优异的DFA网络作为本文研究的算法核心,首先总结了该算法在性能方面的优越性,并且从注意力机制以及通道shuffle等方向对于进行改进,并且将其命名为SF-DFA网络模型,本文提出的SF-DFA网络模型在语义分割数据集Cityscapes上进行了验证,基于软硬件以及分割时间的具体考虑,本文选择1024×512的输入图像作为本文的原始输入数据,SF-DFA网络的网络模型大小较DFA网络模型的大小缩小了42%,并且网络模型的精度并没有多少损失,从而间接性的更一步提升算法在实际方面的应用,并且在网络模型通过探索通道分组、注意力机制以及上下文结构对于本文网络模型的影响,从而验证本文网络结构的合理性。为了进一步降低网络模型的大小,以及进一步加强网络模型提取上下文信息的能力,本文在下采样结构中使用了非对称卷积替代传统卷积,大幅度简化网络模型大小,同时也使用了扩张卷积增大卷积层感受野,并且将其网络模型命名为Light-DFA网络,该网络模型相比SF-DFA网络模型在分割精度上提升了1.11%,但是在网络模型的大小则减少了27%,并且本文提出在网络模型的子网络阶段添加辅助损失函数帮助优化学习过程,通过测试不同权重的辅助损失函数,探索出使用权重值设置为0.4的辅助损失函数对于网络模型的提升最为明显,其对网络模型的分割精度提升了1.41%,而最后本文使用迁移学习的方式对网络模型进行性能的优化,提升了不同类别的分割精度度,并最终使得本文网络模型的分割准确率较DFA网络提升3.17%,而使得本文网络模型的大小则接近该网络的40%,模型性能提升明显,通过对不同语义分割网络模型的对比,从而证明本文网络模型性能的优越性。