田间杂草是影响农作物减产的重要因素之一,现阶段喷洒农药已成为农业杂草控制的主要手段,然而农民普遍采用无针对性的农药喷洒方式,完全忽略了杂草在实际农业生产中的分布情况。这不仅导致农药利用率低下、造成环境污染和农作物化学残留,而且还会引起农产品的安全问题。随着电子信息技术的发展,机器视觉结合图像处理技术已成为田间精准实时杂草和作物检测的有效手段,为特定地点杂草管理提供有价值的信息。然而传统的数字图像处理技术运用到农作物杂草识别中易受到光照、复杂背景,人工特征选取等因素的影响,导致识别准确率降低。近年来,随着计算机视觉的快速发展,运用卷积神经网络（Convolutional Neural Network,CNN）实现农作物与杂草精准分割已成为精准农业未来发展趋势。针对现有方法存在的不足,本文结合卷积神经网络知识,借助图像语义分割模型的特征提取能力,设计较为高效的网络模型,用于田间杂草实时分割。本文主要工作如下:（1）由于农业数据集小,训练较深的CNN网络模型容易导致过拟合,而浅层的CNN结构不能很好的提取深层次的抽象特征。针对上述问题,本文设计一种高效的编码解码结构的网络模型。采用索引方式记录像素位置信息,以解决因最大池化操作带来的细节丢失问题;此外,通过跳跃链接结构将编码阶段提取的特征与解码阶段上采样的输出特征进行融合,细化分割边界。（2）田间作业对农业机器人的实时性有一定的要求,复杂的网络模型由于参数量巨大,需要较多的内存空间和计算资源,而通常嵌入式设备的计算资源有限,无法满足较大规模的计算。因此,降低模型的参数量和计算量是解决农业机器人实施作业的重要因素之一。本文提出的模型结构采用可分离卷积,在基本不损失卷积运算的精度下,极大地减少模型参数量,节省计算资源。（3）为避免因降维而导致特征信息丢失的问题,跨通道交互可以让网络聚焦各通道特征的关键信息,增强网络的表达能力。本文在各模块间采用一种高效的通道注意力机制,以提升分割性能。最后,在玉米幼苗小样本数据集和胡萝卜小样本数据集上进行相关实验,对比主流方法,模型具有较高的分割精度,并对其性能做了进一步分析,验证了该模型具有良好的实时性。