图像语义分割技术作为无人驾驶汽车感知环境的手段之一,近年来随着深度学习的发展取得了巨大的进步。该技术本质上是一个像素层级的密集预测任务,往往存在容易消耗大量的计算资源,难以达到实时应用等问题。针对上述问题本文完成了以下三方面的工作:首先设计了两种轻量级的快速残差基本模块,并从参数量、感受野以及不同尺寸卷积核的相对占比率的角度分析了两种基本模块的优势。然后基于两种基本模块,构建了具有更少参数量的轻量级特征提取器以及具有更快推理速度的快速特征提取器。这两种模型的浅层部分采用双路径快速下采样结构,主体部分采用三段堆叠的快速残差基本模块,输出部分使用全连接层。最后提出了两种非对称式编码器-解码分类器结构的高效实时语义分割算法。在算法中,针对如何有效融合高低层特征信息的问题,设计了一个能够同时结合高低层通道特征信息并能够克服不同分辨率造成的计算困难问题的轻量级互注意力特征融合算法;针对如何更快更好的捕获多尺度上下文信息的问题,设计了轻量级的空洞空间金字塔池化模块以及带有通道池化信息的金字塔池化模块。实验结果表明,两种特征提取器在CIFAR10数据集上相比于其他模型均具有大约1～2%的精度优势,而且分别具有30～50帧以及60～90帧的速度优势。两种实时语义分割算法在Cityscapes测试集上分别能够达到68.4%MIo U,67.5FPS和67.1%MIo U,105.0FPS的性能。