近年来,深度卷积神经网络在图像语义分割方面的性能表现愈加优秀。在自动驾驶领域,图像语义分割能给车载计算机带来实时场景上的理解,帮助其对道路环境进行分析,从而不断完善其自动驾驶的高级功能。为解决语义分割在自动驾驶领域中的准确率和速度的平衡性要求,本文给出一种基于双路径网络的实时语义分割算法,具体工作包括:针对深度神经网络参数过多以及计算量巨大,在移动设备上难以部署的问题,提出采用高效轻量化的Mobile Net V3模型经过结构性剪枝优化的方法,对深度神经网络进行重构和压缩,最终生成的精简模型体积比原始模型缩小4.7倍,大幅度减少计算量和内存的消耗。经过微调后的精简网络模型相比于稀疏化训练的网络,准确度更高、泛化性能更好,能够作为第4章实验的双路径实时语义分割网络的主干网络,提高整个网络的性能。针对实时语义分割的要求,本文构建的双路径实时语义分割网络包括如下部分:（1）空间路径:由空间信息提取模块组成,具有较高的通道容量和较浅的空间细节接受域。（2）语义路径:由上下文高级特征提取模块和注意力机制模块组成,使用优化后的轻量级网络模型作为主干网络,通过迁移学习的方法,使用预训练模型提高网络泛化能力,经过卷积操作多次提取图像深层次的特征,并利用注意力优化模块对多阶段的输出特征进行优化整合,快速高效的得到高级的语义信息和大的感受野。（3）特征融合模块:对双路径网络提取的两种级别信息进行有效融合,同时提高像素定位精度和图像内容的分类精度。最终搭建好的双路径实时语义分割模型在自动驾驶街景数据集上经过实验和对比,达到实时语义分割的准确率和速度的要求,对比其它网络也有着自己的优势。