在机器视觉技术发展日新月异的今天,无人驾驶汽车的可靠性也随之增加。机器视觉赋予了汽车感知外界环境的能力,而图像语义分割任务作为机器视觉中的重要研究方向,语义分割结果的好坏将会直接影响汽车对外界场景的理解。因此为了提高无人驾驶汽车的场景感知能力,本文对图像语义分割算法展开研究,提出了两种分割精度更高的语义分割算法,并实现了两种算法在嵌入式平台上的应用。第一种算法是基于极限学习机的图像语义分割算法,该算法首先结合传统的超像素分割算法将图像预分割成许多的超像素块;然后使用改进后的区域合并算法将超像素块合并,形成多个具有相似特征的区域;接着使用四种不同的特征提取方式,对这些超像素特征区域进行特征提取;最后结合集成学习的思想,使用随机组合特征对极限学习机分类器进行训练,以此增强分类器的泛化能力,并提高分割的准确率。将该算法在PASCAL-VOC2012数据集和Cityscapes数据集上进行测试,测试结果表明该算法在复杂的道路场景下能够完成较高精度的图像语义分割,比起传统K-means算法有较大的分割精度提升。第二种算法是基于多尺度全卷积神经网络的图像语义分割算法,该算法结合深度学习思想,采用卷积和池化的方式获取图像特征。首先借鉴SegNet网络结构设计了“编码器-解码器”的对称网络结构;然后在其中加入带有空洞卷积的池化层,以此获取多尺度的图像特征;接着设计了全局的上下文结构,以此解决卷积和池化操作带来图像细节特征损失的问题。最后使用Softmax分类器,对提取到的图像特征进行分类。Softmax分类器是一种多分类的线性分类器,它能计算出每一个类别的概率。将该算法在Cityscapes数据集和校园数据集上进行测试,实验结果表明该算法比SegNet网络具有更高的分割精度和推理速度。除此之外,为了实现本文算法在嵌入式平台的应用,简化两种语义分割算法模型,将其部署在TX2嵌入式平台上。实验结果表明,基于嵌入式平台的算法比起PC端的算法,虽然牺牲了小部分的分割精度,但加快了算法的推理速度。论文主要围绕图像语义分割任务中图像特征提取的问题,提出两种更为高效的图像语义分割算法,并通过嵌入式平台的移植应用进一步说明了两种算法的实用性。