盲道作为辅助视力障碍者出行的重要道路设施,由于自行车、汽车占道等原因,没有发挥其应有的作用。因此,对盲道进行识别具有重要的意义。盲道分割是盲道识别系统中的重要环节,现有的盲道分割算法存在分割率较差,处理方式单一等问题。随着深度学习技术的快速发展,研究出一种有效分割盲道图像方法具有重要的实用价值。本文在卷积神经网络的基础上,针对现有的盲道分割方法和网络结构存在的问题,结合注意力机制和多分支权重共享方法,提出了一种基于轻量化卷积神经网络的盲道分割方法。该网络采用非对称编码器解码器体系结构,编码网络用于输出图像的卷积特征图,解码网络用于对特征图进行多重上采样和输出图像的语义分割图。利用不同的通道注意力模块对基于轻量化卷积神经网络结构进行调整,在没有显著增加网络参数的同时提升网络性能;利用多分支权重共享方法对基于轻量化卷积神经网络的盲道分割算法进行改进,由于网络涉及的参数和计算量较小,结构较为轻量化,并基于Cityscapes数据集,进行了对比实验,发现加入通道注意力机制和多分支权重共享方法的网络性能最优。以盲道图片作为研究对象,构建了一个大规模的盲道图片数据集,并对数据集进行了预处理,包括视频转图片、图片裁剪等操作,之后将1528张盲道图片制成带有类别标签的盲道图片;采用加入通道注意力机制和多分支权重共享方法的轻量化网络对盲道图片集进行实验仿真,实验结果表明,该算法能够有效地提高盲道图像分割的实时性和准确率。