图像语义分割（Image Semantic Segmentation）一直是计算机视觉中一项基本且具有挑战性的任务,它在许多实际应用中发挥着重要作用,例如机器人技术和医学分割等。近年来,卷积神经网络（Convolutional Neural Networks,CNNs）在语义分割领域中的应用取得了显著进展。例如,基于全卷积神经网络架构（Fully Convolutional Network,FCN）的方法以及基于编解码结构（Encoder-decoder Architecture,EDA）的方法。尽管这些方法在分割任务中取得了一些进步,但均存在对于目标形状和边界的粗略分割问题。然而,对于语义分割任务,不仅要准确识别出图像中各个像素的类别,而且要准确定位其位置,这就要求模型精确识别出每一个类别的轮廓和形状,才能获得一个连续的语义分割预测结果。此外,虽然通过细化物体边界的方式提高了语义分割的精度,但这是以大量的计算资源为代价所取得的进步。基于上述问题,本文主要进行了如下研究:（1）为有效利用边界信息辅助提高语义分割的性能,本文提出了一种双分支对称网络BASNet。它主要有四个部分组成:基于预训练的残差网（Res Net-50/101）加上多孔空间金字塔池化（Atrous Spatial Pyramid Pooling）作为骨干网;语义分割分支（Semantic Segmentation Branch）;边界检测分支（Boundary Detection Branch）以及聚合模块（Aggregation Module）。其中,边界检测分支使用一系列空间注意块（Spatial Attention Block,SAB）处理与边界相关的信息。另一方面,语义分割分支中采用了一组全局注意力块（Global Attention Block,GAB）,以进一步捕获更准确的对象边界信息和语义信息。最后,BANet通过引入一个聚合模块（AM）来有效融合这两个分支的输出特征,从而提高最终的语义分割性能。综合实验结果表明,BASNet不仅更准确地预测了对象的边界,而且提高了语义分割的性能。（2）通过对上个工作中优缺点的深入研究和分析,本文设计了一种用于语义分割的边界辅助编解码网络（BANet）,编码端为基于预训练的残差网（Res Net-50/101）,解码端由边界流分支和语义流分支组成。其中语义流分支使用了一系列双向全局注意力模块充分利用了不同阶段的层次特征,分别从水平和垂直的方向来捕获像素间的长距离依赖性;边界流分支通过采用一系列轻量级空间注意力模块不仅可以有效地提取边界信息,而且其模块参数量以及计算复杂度较之先前的工作更加轻量。综合实验对比,BANet在Cityscapes、PASCAL-Context和ADE20K上分别达到了83.8%、55.3%和49.4%的m Io U。此外,由于轻量级空间注意力模块的轻量化设计,相对于一些最新技术,BANet具有更低的GFLOP和更小的模型尺寸。（3）当前,为能够在边缘设备中部署卷积神经网络,不仅需要模型具有低延时的实时处理能力,而且还要求应用其上的图像语义分割算法具有很强的性能。因此,在上述两个工作的基础上,本文提出了一种基于边界辅助的实时语义分割网络（Lite-BANet）,通过引入一种极致高效跨阶段非瓶颈残差模块来增强不同阶段下各个尺度感受野的特征表达能力,其中该模块利用Channel Split操作和分解卷积降低模型的参数量,另外,通过对BANet中的两个分支进行部分优化,进一步学习不同尺度下的边界信息和语义信息,从而实现模型精度与速度之间的平衡。实验结果表明,该网络在Cityscapes数据集上达到了76.4%m Io U,FPS达到101.2FPS,很好地实现了精度和速度的平衡。