近年来人工智能随着数据计算能力提升,与人们的生活越发密切相关,高级辅助驾驶系统成为了机器智能与汽车行业发力的重点。以计算机视觉技术为基础的辅助驾驶系统可以自行实现道路环境感知,路径规划以及行驶决策等行为。道路场景下的图像语义分割技术作为环境感知的重要一环,能够有效提升车辆感知系统的精度和速度,增强自动驾驶系统能力,因此其具有重要的研究意义。基于深度学习的机器智能技术在多个领域取得了巨大进展,深度学习在计算机视觉领域也万众瞩目。本文的研究目的就是基于深度学习对道路场景下的数据进行研究,设计和实现出能够满足辅助驾驶系统准确性和实时性要求的图像语义分割网络,工作的主要内容和创新点如下:基于对语义分割准确性的思考,在实时性较好的分割网络上做出重新设计,增强细粒度特征提取能力和多尺度特征融合能力,利用浅层位置信息和高层上下文信息的互补来提高网络分割精度。同时在保证精度的同时减少网络计算,使用轻量卷积操作来满足实时性的要求。最终实现了语义分割精度高,且推理速度满足一般性需求的分割网络。基于对语义分割实时性的要求,在实时性优秀的网络结构上进行修改。利用当前其他领域轻量型网络的设计思想,针对性地设计了轻量化的特征抽取网络,轻量级长距离语义融合模块,轻量级多尺度特征融合模块,通过深度可分离卷积来设计新型模块,保证精度损失不大的情况下提升网络推理速度。最终实现了分割精度不错,且推理速度满足较高使用需求的快速语义分割网络。本文提出的语义分割算法在公开数据集上分别能够提升分割精度和推理速度,并且在两者之间做了较好的平衡,一定程度满足了辅助驾驶系统需求,并为相关领域的研究工作贡献了一些新方法和思路。