实现自动驾驶的一个重点是对街道场景的理解,图像语义分割可以为街道场景的理解提供像素级别的丰富信息,运用这些信息可以对街道场景中的每个目标进行精细的分类。随着神经网络的迅速发展,基于神经网络的图像语义分割模型的性能得以大幅提升。目前的语义分割模型在分割精度方向的提升已经到达了瓶颈期,对于语义分割模型的研究开始向模型轻量化的方向发展。本文针对现有的基于神经网络的语义分割模型参数量过多,模型体积巨大等问题,深入研究了卷积神经网络和图像语义分割模型。首先研究了卷积神经网络的基本组成结构,包括卷积层、池化层、激活函数、批量标准化层等。然后在此基础上研究了基于卷积神经网络的典型语义分割模型和神经网络模型的轻量化方法。最后经过分析选择了一个基于残差网络的轻量语义分割模型Link Net作为本文初始模型,在其基础上进行改进工作,目的是通过改进Link Net模型实现一个体积更小、效果更优的语义分割模型S-Link Net,最终实现对街道场景图像的高效分割。在模型改进方面,首先使用Res Net-34残差网络来提升模型性能,然后针对模型参数量巨大的问题采用深度分离卷积进行改进,最后使用通道剪枝压缩技术对模型进行了压缩处理。改进后的语义分割模型S-Link Net在City Scapes数据集上进行了训练和测试。改进的语义分割模型S-Link Net相比初始模型Link Net分割准确度m IOU提高了4.6%,模型参数量减少了16.8%,模型体积减少了21.9%。实验结果表明深层残差网络能够提高分割模型的性能,深度分离卷积可以有效减少模型的参数量,使用通道剪枝技术可以实现了对模型体积的压缩,本文提出的语义分割模型相比其它语义分割模型在模型准确度和体积两个方面实现了较好的平衡。