计算机视觉是当前人工智能领域重要的研究方向和突破口之一,图像语义分割技术是计算机视觉领域中的一个热点研究方向。图像分割技术是通过对输入图像进行逐像素点分类,将图像分类拓展到像素点分类,然后运用到计算机视觉的各个领域,图像分割技术已被广泛服务于图像检索、视频跟踪、目标识别和机器人导航等多种实际视觉应用场景。图像分割技术对解决机器人视觉问题有重要意义。目前的图像语义分割算法一般可分为传统分割方法和基于深度学习的语义分割方法两大类。针对无人驾驶对道路场景图像语义分割任务的需求,本文基于深度学习的方法研究语义分割问题,尤其准确的分割出复杂道路场景中对无人驾驶安全性更为重要的目标。使用深度学习方法进行图像语义分割,一般首先使用卷积神经网络结构来提取多级特征图,然后使用上采样的方法来使特征图恢复成原始图像大小的分割结果,达到逐像素点分类的目的。本文的主要工作包括:（1）将道路场景中的各类目标划分重要性等级,设计了一种重要性加权的道路场景图像分割算法,使得模型能更准确地分割道路场景中对无人驾驶安全至关重要的目标,同时对所定义的重要性等级低的目标区域的分割精度影响有限。本文使用City Scapes数据集以及Camvid数据集训练使用本文提出的算法优化的网络模型,并验证方法的有效性和泛化能力。（2）提出邻域类别相关性得分机制及跨层特征融合的网络结构,同时使用迁移学习和微调来优化道路场景的图像语义分割。本文采用了改进版的Res Net101,即Res Net101（V2）,并且和邻域类别相关性得分机制及跨层特征融合机制进行结合,然后进行迁移学习。迁移学习和微调的目的是优化邻域类别相关性得分机制用于图像语义分割的神经网络结构的编码器（卷积层部分）,验证它们在道路场景的图像语义分割中的表现,这种表现的评价包括分割精度和Mean Io U指数。（3）条件随机场在优化图像分割的平滑性和边界的处理上,有着不错的效果。本文提出的邻域类别相关性得分机制及跨层特征融合结构,经过一定的参数调整,在边界处理上同样有着很好的效果。为了验证本文提出的结构的边界处理的效果的优劣。在进行重要性加权算法的基础上,分三组做对比试验,分析实验结果。1)只使用邻域类别相关性得分机制及跨层特征融合结构进行图像语义分割。2)只使用条件随机场进行图像语义分割。3)同时使用两种方法进行图像语义分割。比较三组实验的结果,以便在合适的情景下选择对应的方法。