随着移动机器人、城市无人机、自动驾驶汽车等智能设备的快速发展,这类设备移动的安全问题也越来越受到人们重视,街景图像分割作为指导设备移动的关键技术,吸引了越来越多的研究人员投入到该项研究任务中。现有的基于卷积神经网络的分割方法一般针对通用数据库进行建模,在其他数据库上的表现却并不理想。本文旨在研究性能更为优良和高效的图像分割算法,能够有效规避现有方法的不足,良好适用于特定街景数据库上,同时在移动设备上能够快速运行。本文主要研究内容如下:1.本文研究了一种基于特征级联的图像分割算法,以特征谱级联的方式来充分利用各层级特征的重要作用。对级联后得到的特征谱各通道之间进行加权组合,来增强特征点的表征能力,使之对图像像素点分类效果更好。另外,通过在数据端加入灰度图像源进一步提升了整体分割性能。2.本文研究了一种针对街景小目标的图像分割算法,通过从合适的低层特征谱上进行水平和竖直方向的特征提取,使得对小目标对象的特征提取的更充分。并使用两级解码器模块完成了上采样预测过程,进一步改善对图像预测的效果。3.本文研究了一种快速的街景图像分割算法,旨在能够在TX2开发板上实时运行。通过对VGG-16特征提取网络进行调整,对其中分辨率大的特征谱进行通道降维,对分辨率小的特征谱进行通道扩充,设计出一个轻量级的特征提取网络,能够在TX2上达到快速分割的效果。并实现了测试网络的OpenCL版本,进一步丰富了算法的硬件使用范围。实验证明本文算法通过多级特征谱级联方法有效提升了整体分割性能,从合适的低层特征谱上进行不同方向的特征提取有效提升了对小目标的分割效果,同时在移动端设计快速分割算法,为硬件移植工作提供了实际的指导意义。