近年来,深度学习技术在计算机视觉领域的迅速发展为语义分割应用于无人驾驶汽车的道路场景识别提供了技术支持。由于道路场景复杂多变,现如今的语义分割场景模型针对复杂道路场景具有分割精度相对较低、模型参数量巨大以及速度较慢等问题,难以用于实际的终端设备中;道路场景中车道线经常被损坏遮挡无法提供车道线的延伸情况。为此,本文重点探讨利用深度学习方法提升模型分割精度、降低模型参数数量以及提升图像分割速度的方法,并根据此设计了基于深度学习的图像语义分割模型;对驾驶场景中的车道线进行了单独的检测。为了获取更高的分割精度,本文设计了浅层神经网络为基础,并分别从跳跃结构、多层特征融合、Inception结构、最大池化和批量归一化方面对网络进行了改进并实验操作,证明这些方法可以有效提升网络的精度,为后续搭建更深层网络提供优化方法。针对道路场景分割中希望取得更高的分割精度,提出一种可以获得更高精度的语义分割模型。模型以残差网络为基础进行下采样,之后利用不同尺寸的扩张率获得更多尺度上的特征,将这些特征通过密集连接输出具有多尺度信息的特征,再经过两次上采样获得与输入尺寸大小相同的特征图。为了满足无人驾驶过程中图像实时性处理的要求,获得更加轻量级的语义分割模型,在获得的高精度语义分割模型的基础上,更改残差单元,利用深度可分离卷积降低模型参数数量,设计出互补模型,既可满足道路场景对语义分割模型的实时性要求又能获得较高的精度。针对无人车在行驶过程中车道线作为重要行驶轨迹依据,且实际的道路场景分割中不能很好的识别出车道线的延伸方向,提出利用语义分割方法通过互不干涉的两条支路对车道线进行实例分割的模型。基础网络采用快速网络结构以实现实时性,两条支路分别实现二分类语义分割与实例语义分割。本文在公开数据集以及自制数据集上分别对设计的各个模型进行了训练和测试,得到模型的性能参数。