随着计算机视觉等相关技术的快速发展,自动驾驶汽车得以面世并快速迭代更新。对周围环境的准确感知是自动驾驶技术中极为基础和重要的一环,而图像语义分割技术可将汽车获取到的道路场景图像分割成表示不同类别的区域,可为自动驾驶汽车感知周围环境和做出决策提供重要的依据,已成为自动驾驶任务中不可或缺的技术。由于道路场景图像存在目标种类繁多、尺度变化较大等特点,道路场景语义分割成为一个具有挑战性的问题。传统的图像分割方法极度依赖于人工的特征分析和特征提取工作,不仅工作繁重,而且很难找到较为全面的特征,从而难以对复杂场景的图像做出有效的分割。近年来,深度学习得到了快速的发展,它可以从图像数据中自动学习到丰富的深层次特征,并依据提取到的特征获得高精度的语义分割结果。基于深度学习的道路场景语义分割方法克服了传统方法的局限性,具有很高的研究价值。目前,应用于道路场景语义分割的深度学习方法虽然取得了一定的成果,但还存在分割精度不高、分割速度不够快等问题。基于以上问题,本文深入研究了基于深度学习的道路场景语义分割算法,具体研究内容如下:1.提出了一个模拟大脑视觉机制的道路场景语义分割算法。（1）设计了两条支路以分别模拟大脑视觉皮层的腹侧通路和背侧通路。其中腹侧通路网络着重于提取图像的语义信息,背侧通路网络着重于提取图像的空间信息,并结合U型结构以获取更为丰富的空间信息,最后将两路的信息进行充分融合,得到高精度的分割结果。（2）提出了语义增强模块和空间注意力模块,分别用于强化腹侧通路网络对语义信息的提取和背侧通路网络对空间信息的提取。其中语义增强模块为在空洞空间金字塔池化模块中融入通道注意力机制改进而来,可有重点地融合不同尺度的语义信息;空间注意力模块可使网络在空间维度上更加关注于目标边缘等更重要的信息。（3）通过微调此算法模型的结构将其轻量化,使其满足实时性的要求,同时保持较高的分割精度。（4）经实验验证,该算法达到了82.1%的分割精度;轻量化后的模型达到了75.9%的分割精度和106.9FPS的推理速度,实现了精度和速度之间的平衡。2.从特征融合的角度出发,提出了一个基于双输入特征金字塔网络的高效道路场景语义分割算法。（1）将上一算法中提出的腹背侧通路结构加以改造,以两条路径接收和处理输入数据,分别着重于提取语义信息和空间信息,从而保证模型既能提取到丰富的信息,又能以较少的参数量运行。（2）设计了一个新颖的双输入特征金字塔结构,接收来自上述两条路径的带有不同信息的特征,在经过多重有效的特征融合之后,输出最终的分割结果,同时还重复利用了中间特征图,从而减少了计算量。（3）经实验验证,该算法达到了76.9%的分割精度和107.0FPS的推理速度,实现了在较高精度下的实时语义分割,可以应用于真实环境下的道路场景图像解析任务。