随着自动驾驶、服务机器人、无人机航拍等人工智能产业的飞速发展,面向城市道路场景的实时语义分割算法研究越来越富有研究价值和应用价值。同时,如何在尽可能地减少参数量的前提下,实现分割精度和推理速度之间的权衡成为了目前最具挑战性的问题。针对这一问题,本文对面向城市道路场景的实时语义分割算法进行了深入研究,主要工作如下:首先,利用优化卷积、通道分离和通道混洗等策略对现有的残差模块进行优化改进,设计了一种带有分离和混洗操作的深度非对称瓶颈（SS-DAB）模块和一种带有特征交互操作的深度非对称瓶颈（FI-DAB）模块。通过设计对比实验,将这两种残差模块与其他残差模块进行了对比,结果表明所设计的两种残差模块均具有有效性和高效性。其次,将金字塔池化结构与通道注意力机制相结合设计了一个基于通道注意力机制的金字塔池化（CA-PP）模块,并利用该模块和所设计的SS-DAB模块搭建了一个轻量级的高效的非对称网络模型LEANet。实验结果表明,所提出的算法模型LEANet在Cityscapes和Cam Vid数据集上以较少的参数量实现了分割精度和推理速度之间的权衡。最后,将含有空洞卷积的金字塔池化结构与通道注意力机制相结合设计了一个注意力引导的带孔金字塔池化（ADPP）模块、将改进后的注意力模块（ICA模块和ISA模块）与上采样操作相结合设计了一个注意力引导的特征融合上采样（AFFU）模块,并利用ADPP模块、AFFU模块和FI-DAB模块搭建了一个轻量级的注意力引导的非对称网络模型LAANet。实验结果表明,所提出的算法模型LAANet在Cityscapes和Cam Vid数据集上较好地实现了分割精度、推理速度和模型大小之间的权衡。