随着科学技术的发展,基于深度学习的图像语义分割技术在人们的日常生活中应用越来越广泛。在城市道路场景中,高精度的语义分割技术能为智能车辆的规划决策提供重要信息,是辅助车辆安全行驶的重要保障。因此,本文基于DeepLabV3+模型在道路场景中对语义分割方法展开研究,从模型本身出发,分析了城市道路场景图像中的分割难点,并对DeepLabV3+模型的编码器-解码器结构进行了测试与改进,有效提升了模型的分割效果。本文具体的工作内容和创新点如下:（1）针对小样本街景影像数据集训练数据少、类别不均衡问题,本文采用了模型迁移和加权损失函数方法来缓解和改善这一问题。实验结果表明,通过模型迁移方法训练的模型能够更快的收敛,且模型的鲁棒性和泛化能力更好;模型迁移方法结合加权损失函数训练模型,能够有效改善小尺度目标对象的识别率和分割精度,提高模型的整体分割效果。（2）针对DeepLabV3+模型主干特征提取网络参数量巨大、不利于实际应用的问题,本文使用了目前常见的卷积神经网络作为主干网络进行特征提取,探究了Res Net50、Res Ne Xt50、Mobile Net V2分别作为特征提取网络下DeepLabV3+模型的分割性能。通过调整输出步长来减少下采样过程中的特征损失,提高了模型的分割效果。当输出步长调整为8倍时,DeepLabV3+模型的分割效果最好;考虑到模型实际应用,通过实验对比分析,当输出步长调整为16倍时,DeepLabV3+模型的参数量、复杂度和分割精度之间最为平衡。（3）针对DeepLabV3+模型在小尺度物体及目标边界信息细节表现较差问题,本文对DeepLabV3+模型原有解码器结构进行了改进。主要工作体现在以下方面:一是利用全局卷积模块、边界细化模块从浅层网络进一步提取街景影像的局部特征,特征融合了更多细节信息的GCN-DeepLabV3+、GCNG-DeepLabV3+模型在图像分割的细节方面获得了更好的表征能力。二是利用卷积块注意力模块在通道和空间维度上对浅层网络提取到的局部信息进行特征映射,增加了注意力机制的CBAM-DeepLabV3+模型提取到了更加关键的局部特征,改善了在小尺度目标对象和边界细节上的分割效果。实验结果表明,本文改进解码结构后的DeepLabV3+模型能够更好的应用于城市道路场景的语义分割任务。