目前,在无人驾驶和医学影像等领域,在运用于图像语义分割的多数深度卷积神经网络中,前端特征提取网络参数的数量繁多,计算量浩大,算法的时效性无法得到保证;图像语义分割模型的泛化能力不足;输出的分割图在轮廓细节上不够完整清晰。那么,如何设计高效、高性能的轻量级神经网络是解决问题的关键。在对比较成熟的图像语义分割算法进一步研究的基础上,选择全卷积神经网络的Deep Lab V3 Plus算法作为实验的基础神经网络,提出了“提高原算法的时效性、增强模型泛化的能力与提升分割图清晰度的算法优化与改进”的方案,并对该方案效果予以实验对比与实际场景检测。在提升原算法时效性和精度上,对原算法Deep Lab V3 Plus的骨架网络进行改进,在运行精度上使用Xception的模型更优,在分割图的平均输出时间上使用Resnet的模型更短,将骨架网络为Xception的模型更改为轻量级神经网络Mobile Net V2并去掉解码器模块,以达到减少参数量、运行速度快目的;将骨架网络为Resnet的模型更改为改进的Resnet,加入更多的非线性操作以提高模型的学习能力。在增强模型泛化能力上,对进行实验的数据集进行数据增强操作,使得模型的泛化能力增强,降低模型过拟合可能性。在提升算法时效性同时提升分割图的清晰度上,使用全连接条件随机场作为后处理,对分割图进行多次迭代优化,从而同时获得在轮廓细节上比较完整清晰的分割图。消融实验与参数分析表明,基于全卷积神经网络的图像语义分割算法的改进与优化研究,能够实现在提高算法时效性、增强模型泛化能力的同时得到较为清晰的分割图,在精度评价指标平均交并比上较优于之前大多算法,最终将骨架网络为轻量级神经网络Mobile Net V2去掉解码器模块的模型,加上全连接条件随机场作为后处理封装成完整的模型,应用于交通路口的实际场景中,具有一定的社会实用价值。