语义分割作为图像处理的一个重要基础任务。其基本思想是以像素为单位,将图像中所包含的各类物体逐一进行分类,并把同属一类别的像素标记为相同的颜色。图像语义分割的出现,可以帮助计算机更好的理解图像中所表达的内容。近几年,相继提出了许多基于卷积神经网络改进的语义分割方法,语义分割精度也不断提高。但是大多数的语义分割模型都存在计算复杂、参数过多等缺点。基于以上研究现状,本文以实现分割精度和推断速度的平衡为目标,在单分支FCN（Fully convolutional networks）模型的基础上进行重新设计,提出了两种高效且高精度的语义分割算法:一是基于上下文细化和边界共监督的单分支模型算法;二是基于多尺度模块的单分支融合模型算法。具体介绍如下:（1）本文提出了一种基于上下文细化和边界共监督的单分支分割模型。针对以往的实时语义分割模型因为感受野小而难以获得上下文信息,以及因为过分下采样造成的空间信息缺失,从而出现轮廓像素分类错误率高的问题。本文设计了一个基于大卷积核和空洞卷积的上下文细化模块,该模块是针对轻量级网络增大骨干网中缺少的感受野用以捕获上下文信息效率模块。在此之上本文还设计了新的监督方法-边界共监督策略,用以增加边界像素的分类准确性在优化过程的权重。从而改善了轮廓像素误分率高的问题。（2）本文提出了一种简洁高效的基于多尺度卷积的单分支融合模型。对比以往的经典语义分割网络模型可以看出,基于单分支的模型结构的设计是冗余最小的。其不同于传统FCN结构,代表空间信息的高分辨率分支和代表语义信息的低分辨率分支进行两次特征融合以提高底层空间信息和高层语义信息的融合效率。除此之外,受重量级网络中解决感受野受限问题的方式的启发。本章还提出了基于可分离卷积的高效的多尺度卷积模块。将多尺度融入基础模块,多尺度的设计不仅可以成倍的增加感受野,彻底解决了在实时语义分割任务中的感受野问题,也有利用网络提取更为密集的有效信息。通过实验验证了设计的可行性和有效性。