人工智能技术快速发展,人们对于机器智能化的需求日益增加,图像语义分割技术具有重要的科学意义和巨大的应用价值。对于一张图像,语义分割技术可以获得像素级别的高细粒度标注信息,实现精确到边缘的类别区域划分,被广泛地应用在自动驾驶、室内机器人导航和智慧辅助医疗领域。传统数字图像处理中分割算法需要设计复杂的手工特征,在不同场景下泛化能力差。卷积神经网络推动语义分割技术快速发展,但是存在诸多挑战,特征空间细节信息丢失、预测结果中边缘信息模糊、预测实时性和有限的标注数据是语义分割研究中亟待解决的重点问题。针对上述问题,本文开展的研究内容和主要创新如下:（1）针对高质量的语义分割网络需要耗费大量的计算资源,不利于在嵌入式设备上的应用,提出一种双路径级联的实时语义分割网络。模型通过解耦分割任务,低分辨率分支获取图像的高级语义信息,高分辨率分支获取丰富的空间细节信息。融合双路径特征信息,在实时的前提下获得了语义信息明确、结构信息完整的图像分割特征。每支路径都添加损失函数监督学习,联合训练帮助网络获得更好的分割结果。（2）针对实时语义分割任务中特征缺少上下文信息,造成分割结果中出现类内不一致和类别间的不可区分性的问题,提出了轻量级自适应通道注意力模块和轻量级空间注意力模块。自适应通道注意力模块,使用深度分离卷积对通道层面特征依赖关系建模,自适应的通道卷积核大小,调整各通道的特征响应值强化高层特征的上下文表征能力,加强实时语义分割结果的类内一致性。空间注意力模块,使用分组卷积,以较小的计算量获得较大的特征信息流动区域,在空间层面加强特征的上下文联系,增强特征的空间细节信息,加强实时语义分割结果的类别间可区分性。（3）针对语义分割任务中高频区域像素点分类难度大,造成分割结果中边缘信息模糊的问题,提出了一种基于深度度量学习的图像语义分割方法。该方法建模出适用于语义分割任务的深度度量学习损失函数,在网络特征映射结果上,使同类别的特征向类别的特征中心靠拢,不同类别特征中心之间距离互相远离,边缘像素的特征点远离分类超平面,从而获得更好的分割结果。最后,通过大量的实验和比较评估表明,在具有挑战性的权威数据集Cam Vid和Cityscapes中,提出的方法取得了较好的性能。同时,相较于基线分割网络,所提出的模型取得了较大的提升。