深度学习在计算机视觉领域的应用十分广泛。例如物体检测、识别、跟踪,场景理解等。这其中,图像语义分割一直占据着重要的地位。全卷积神经网络在处理图像语义分割问题上展现出了前所未有的优势。最常用的全卷积网络为编解码器结构,在编码过程中,原图像会被降采样,因此大量的空间信息被丢失,导致分割精度下降。此外,通常的算法模型都会采用较为庞大的神经网络结构,导致推理速度的下降。而如果单纯的使用轻量级网络作为编码器,虽然速度有所提升,但网络的感受野会下降明显,带来分割精度的下降。为了解决上述的问题,本文提出了一个基于双路网络以及不同层级特征融合的实时语义分割算法模型,主要的创新点如下:(1)对现有轻量级网络加以改进,结合深度可分离卷积与空洞卷积两者的优点,有效增加了轻量网络的感受野和对多尺度特征提取的能力,提升了轻量网络编码器提取的特征的质量。(2)提出注意力机制模块,对编码器提取的特征进行筛选,提升图像特征的质量,同时对图像上下文信息进行多尺度提取,进一步提升了分割的精度。(3)提出一种高效的特征融合的方法,将图像的空间信息与图像的语义信息充分融合,解决高层特征中图像空间信息缺失的问题,两种特征相互补充,提升了算法的性能。本文提出的算法在两个语义分割数据集上进行验证,相比于同类型的实时语义分割,本文的方法取得了最好的分割效果,实现了高精度实时语义分割,并且成功移植到Android手机设备。