语义分割是计算机视觉领域的基础任务,能够解析场景的内容。本论文对道路场景视觉语义分割的关键技术进行研究,包括两部分内容:利用场景的深度信息提升语义分割精度以及对语义分割模型的加速。现有的道路场景语义分割方法主要使用场景的表观颜色信息进行逐像素分类,容易出现由类内不一致性与类间相似性导致的误分类情况,使得精度受到影响。本文提出使用场景的深度信息来缓解误分类的发生,并分别把深度作为先验信息或监督信息引入语义分割框架中。深度作为先验信息时,使用卷积神经网络提取RGB图像与深度图像的特征,通过四种方式进行特征融合,基于融合后的特征完成语义分割;深度作为监督信息时,与样本真值一同作为学习目标,使得网络模型同时完成语义分割与深度回归两个任务,提取更加鲁棒的特征。实验表明使用深度信息的道路场景语义分割模型能够取得更高的精度。语义分割的重要局限是对算力的需求很高,因此很多模型难以在计算资源受限的实际环境中应用。为了降低模型的复杂度并减少计算资源消耗,本论文通过轻量模型设计、知识蒸馏和模型量化三种方法对语义分割模型加速。轻量模型能够提取多尺度的、全局的特征,并包含空间注意力模块和简洁的解码器,在模型复杂度与精度之间取得平衡,能够完成实时的语义分割。知识蒸馏将复杂模型所学知识迁移到轻量语义分割模型中,本文提出能够对像素间全局关系建模的损失函数用于知识蒸馏,可以使模型获得更高的精度。模型量化将数值格式由浮点型转换为整型,使得模型的存储空间大幅下降,推理速度得到提升,并且只损失少量精度。实验结果证明了三种方法的作用。