近年来,随着深度学习领域的高速发展,计算机视觉领域衍生出了许多新兴领域,其中语义分割也是众多新兴领域之一。本文从解决语义分割在实际应用中的问题分别从解决分割的精确度与分割的时效性两个角度出发进行了模型的分析与改进。从分割精度的角度出发通过引进注意力机制来对重要特征进行针对性的特征提取来提高模型的准确率。从时效性的角度出发通过多尺寸特征图分级提取特征来降低网络提取特征所需要的时间。首先本文对近年来语义分割领域的研究与发展进行了相关模型的总结与分析。总结了使用深度学习前的传统语义分割方法,并对相关方法的理论整理后进行简单分析。分析了使用深度学习卷积神经网络下的经典语义分割模型与分割方法。其次针对Deeplabv3+模型对于图片目标图像定位不精准,目标边缘分割不精确,图像特征拟合较慢,无法有效利用注意力信息的问题,本文提出使用两个注意力分支模块分别对图像的空间信息与通道信息进行特征融合提取,并把提取出的目标特征用全连接条件随机场做后处理优化目标图像细节信息。本文设计注意力模块与Deeplabv3+的编码模块的连接,把Deeplabv3+编码模块的输出特征输入注意力模块里进行卷积操作来实现对原始特征的重新标定,对重要的特征赋予更大的特征权值,以此解决模型对空间通道信息精准定位问题。并设计解码模块分别从两个分支获取空间特征和通道特征,把解码结构获得的特征信息输入全连接条件随机场进行局部细节优化以解决局部细节优化不明显,分割边界粗糙的问题。本模型在Voc2012数据集上分割结果m Io U比原模型高出了1.95%,在cityscape数据集上测试结果m Io U比原模型高了1.05%。最后针对空间金字塔池化模型对图像特征采样运算时间长,时效性差与运算成本高等问题,本文使用Mobile Net V2替代空间金字塔池化模型中的网络来解决运算成本高的问题,设计对应的编解码结构来细化目标图像边缘特征提取,并使用不同尺寸图像的输入方法来解决高分辨率图像特征采样运算时间长的问题。本文模型以Mobile Net V2网络作为基础网络,设计编解码结构,用不同尺寸的图像输入进行高分辨率目标图像的特征提取。本文模型以略微降低准确率的代价,减少语义分割的计算时间,达到实时语义分割的效果。本模型在Voc2012数据集上测试比原模型的耗时减少了44%,在cityscape数据集上测试比原模型耗时减少了42%。