语义分割在计算机视觉领域中是一个至关重要的技术问题,是作为场景理解的重点技术之一。语义分割任务是对待分割的图像中的每一个像素点进行识别和预测它们的标签,在诸多领域有着非常广泛的研究和应用。近几年,无人驾驶汽车逐渐开始商用,但是无人驾驶汽车在技术和安全等方面仍然存在着诸多障碍。道路状况是无人驾驶汽车在行驶过程中需要关注的重点。语义分割可以对当前的道路场景进行分割,其可以帮助无人驾驶系统分析和处理当前的道路情况。传统的图像分割算法着重于使用表层特征和外部结构特点进行图像分割,需人工设计特征规则,操作复杂且在性能上无法满足当前的需求。基于深度学习的语义分割算法则能更高效率的自动学习高、低层语义信息,实现对图像进行高精度的分割。本文研究的道路场景分割任务主要是对不同类别的物体（比如汽车、树木、行人、道路等）进行多重分割。编码器-解码器网络结构常用于深度学习中的实时密集分割任务。鉴于移动设备计算能力的局限性,本文提出了一种轻量级的非对称编码器解码器网络——LAENet。LAENet的编码器网络主要对输入图片进行特征提取,LAENet的解码器网络主要对编码器的输出特征图进行上采样。LAENet可以快速有效地完成实时语义分割的任务。具体来讲,在LAENet网络的编码器部分,本文首先提出了LAE块,该模块采用了非对称卷积和分组卷积结构,并结合了空洞卷积和跳跃连接进行特征提取,在减少计算成本同时也保证了编码器足够大的接收域,来提高模型的学习能力。另一方面,借鉴特征金字塔网络结构,将全连接注意力机制和ECRE块相结合运用到解码器中,来平衡网络复杂度和分割性能。本文在CamVid数据集上对提出的LAENet模型中的各个模块进行消融实验,来验证网络的性能。同时在Cityscapes数据集上训练和测试,实验数据表明在速度和准确性方面,LAENet在没有后处理的情况下能够获得较好的预测性能。