近年来,由于深度学习在图像领域的发展,语义分割取得了显著的进步。然而,如何保证视频场景任务下语义分割算法的实时性,如自动驾驶,仍然是一个具有挑战性的问题。现有的许多图像语义分割方法,大都具有很高的算法延迟。通常难以满足实际应用中具有高吞吐数据量的视频流。而利用视频数据本身的时序性与冗余性,能够为语义分割任务提供更多的特征信息,同时减少计算开销,有利于提高视频语义分割的准确性与实时性。其核心是高效的特征信息提取、精准的关键帧匹配,以及灵活的帧间特征传播。针对这些研究问题,本文开展了理论分析,方法研究与数据验证等工作,主要创新如下:1.提出了一种高性能的基础分割网络的构建方法。使用Res Net-34结合本文提出的空间注意力机制模块(SAM)和通道融合模块(CFM),解决了普通分割网络难以捕获丰富上下文信息的问题,并且能有效地结合不同层次的特征。在实现提高网络对细节特征处理能力的同时,有效减少了算法的推理延迟。2.提出了一种能够适应视频内容快速变化的关键帧调度策略。通过对临近帧的像素级相似性关系进行建模,导出了最优的关键帧判断准则。再利用小型的CNN网络去拟合这一相似性度量的过程,使其高效且易实现。解决了之前关键帧识别方法中关键帧的更新率与视频内容变化难以一致的问题。3.提出了一种非关键帧的自适应特征传播方法。通过构建拥有注意力机制的小型网络建立了非关键帧与关键帧的空间特征关联,在关键帧的特征基础上进行全局权值调整,从而快速地获得当前帧的高层语义特征。解决了之前特征传播方法不能灵活传导帧间特征细微变化的问题,实现了已有特征的精确和高效利用。本文提出的方法已通过数据集上的实验对比验证,结果表明,这些方法更能够得到解决语义分割中精度与低延迟不能兼顾的问题,在Cityscapes数据集上实现了平均76.8%的m Io U,以及26.8fps的性能。