随着深度卷积神经网络的发展,许多计算机视觉的任务都获得了极大的效果提升。图像语义分割作为计算机视觉中最为重要的任务之一,也依靠深度学习的相关技术获得了不错的进展。众所周知,图像语义分割对于现实生活中的种种任务如自动驾驶和增强现实等都有重要的作用。图像语义分割作为计算机视觉领域一个难度较大的任务,其难点在于现实中前景和背景的物体非常复杂,通常这些物体会有不同的形状、大小和颜色等。而在众多语义分割任务中,街景分割则更是难以达到理想的状态。尽管深度卷积神经网络已经把传统语义分割任务的效果提升了不少,但是对于真正应用到现实生活的街景分割中仍然有几个亟待解决的问题。这些问题可以被总结为以下两点:1)街景分割中包含复杂的前景背景物体,这些物体不仅形状大小各异,而且容易互相重叠,使得其相比普通语义分割任务更难训练深度卷积神经网络;2)街景分割通常会用于自动驾驶图像的预处理中去,但是传统方法的速度并不能满足自动驾驶的要求。针对以上问题,本文提出了一种基于记忆判别增强和多模式采样的语义分割网络,该网络能够对复杂街景场景中的目标物体进行分割。网络使用图像金字塔模型来获取多尺度信息和全局信息,并引入记忆模块对输入特征进行重建,提升特征的表达能力,从而增强网络模型对复杂场景的分割能力。与此同时,基于实时性应用对分割速度的要求,本文提出了一种轻量化注意力分割网络。该网络在保证原有分割效果的情况下,可以获得极大的速度提升,使得实时应用成为可能。综上所述,本文从分割质量和分割速度两个角度来提升了原有的全卷积神经网络的性能,使其在执行街景分割任务时能够有更好的表现。