随着科技的进步,自动驾驶等场景得到了落地和快速发展。自动驾驶使用到的主要技术就是语义分割。在自动驾驶中对于分割的速度和精度都有着较高要求,然而目前很多高精度的模型推断速度慢,且由于参数和计算量较多并不适合部署在车载计算机等现实场景设备上。另一方面,参数量少的网络虽然适合部署且推断速度快,但是精度又会有所损失。语义分割如何在速度和精度上达到一个较好的权衡,这便是实时语义分割的重点研究问题。本文将对当前基于深度学习的实时语义分割算法现状作出研究分析,提出轻量且精度和速度达到较好权衡的实时语义分割算法模型,本文的研究工作与创新如下:（1）对语义分割的国内外研究现状作出了充分的研究与分析,总结了语义分割算法框架并就语义分割算法各个阶段对于网络实时性和大小尺寸的影响展开讨论;同时对相关实时语义分割网络进行调研,分析不同算法网络及其相关技术,为本文后续研究改进工作提供一定的技术支持和理论指导;最后通过实验对经典分割算法性能进行对比,发现了轻量级编码对于实时语义分割的重要性。（2）设计了多核拆洗深度卷积并基于此构建了轻量级编码模块,结合局部特征重用构造轻量级实时语义分割网络。通过多核拆洗深度卷积（Multiply Kernel Split Shuffle Depthwise Convolution,MSSDConv）实现了以较小代价获取多尺度特征;为了实现特征重用和空间细节信息的修复,引入局部特征融合和下采样信息补充。最后通过实验证明所提出算法实现轻量级特征提取的有效性和适用性。（3）引入注意力机制进一步优化第3章所提出网络的局部特征融合和全局上下文信息提取。在特征融合阶段通过引入双向注意力机制实现了不同层次特征的对齐,提升了特征表达能力;在上下文信息提取阶段通过引入分组注意力机制实现了远距离物体间关系的获取,弥补了CNN网络感受野尺寸有限的不足。实验结果表明,引入注意力机制后的网络分割精度有所提高,验证了在第3章所提出网络中引入注意力机制的有效性和适用性。