随着智能社会的发展,移动机器人在民生和军事领域发挥着越来越重要的作用。在复杂环境下的自主移动能力是智能机器人系统最重要的核心能力之一,而这一能力是建立在对工作场景理解的基础之上,基于视觉的语义分割技术是实现场景理解的关键技术。由于移动机器人在复杂的室外环境中会观测到多样化的目标物体,而且受观测角度和尺度以及目标重叠遮挡等诸多因素的干扰,给机器人的环境语义分割精度带来较大的挑战,比如:存在语义标签预测不准确、目标边缘模糊或丢失等不足。此外,虽然基于深度神经网络的语义分割方法在帮助机器人理解场景方面具有不错的表现,但是其复杂的网络结构基本是依赖人工经验设计而来,设计过程繁琐,优化难度大。此外,移动机器人作为独立运行的嵌入式终端系统,计算能力存在较大局限,因此如何在提升语义分割精度的前提下确保系统工作的实时性,也是亟待研究的关键问题。针对上述问题,本文基于残差网络结构理论,结合自正则非单调神经激活函数（Mish）提出了一种新型语义分割网络结构模型。与现有的其他深度学习语义分割网络相比,本方法利用新型激活函数保留更多神经元输出从而获取更多像素特征信息生成更为优秀的语义分割效果图。本方法在公开的室外多类别环境数据集上进行了验证,实验结果表明:语义分割精度为41.94%,准确度为80.93%与现有的方法相比,本文方法能有效提高2%左右的图像语义分割精度。对于移动机器人来说,低延迟和高精度是决定机器人导航系统场景理解能力的关键环节,因此本文在研究高精度的语义分割模型后进一步研究在保证高精度的基础上降低延时的语义分割方法。本文基于自动机器学习（Automated machine learning,Auto ML）理论,融合自适应注意力机制,提出了一种新的鲁棒性快速语义分割网络结构。与现有的基于人工设计的深度神经网络相比,本方法首先采用神经网络架构搜索技术（Neural Architecture Search,NAS）自动寻找到多个分辨率分支的语义分割网络,在搜索过程中引入自注意网络结构模块对搜索到的神经网络结构进行优化,然后将不同分支搜索到的语义分割网络信息融合生成两个新的语义分割网络结构——教师网络模型和学生网络模型,利用知识蒸馏技术合并两个网络模型,以学生网络模型的输出结果作为本文所设计的快速语义分割算法模型。最后在公开的室外环境数据集Cityscapes上进行了验证,实验结果表明:语义分割精度为69.8%,分割速度FPS为166.4。与现有的方法相比,本文方法具有良好的鲁棒性,不仅有效提升了目标物体的语义分割精度,而且取得了良好的实时性。本文研究成果对提升移动机器人系统对复杂室外环境的理解能力具有良好的实际应用价值。