人类视觉和计算机理解图像天然的鸿沟使得图像语义分割存在巨大的挑战。在自动驾驶、医疗影像、图像处理等许多领域,精密的语义分割结果非常重要。故不管是学术界还是工业界,对语义分割算法的研究一直是热点。随着近年深度学习的创新,CNN展现了它强大的特征提取能力,在许多领域取得了成功。而如何利用卷积网络进行图像语义分割成为研究的重点。目前的基于卷积网络的语义分割算法基本是基于FCN、U-net以及Deeplab算法的变体。不管是U-net的桶状结构还是Deeplab算法的空洞卷积,其只考虑了算法的精度,而没有考虑速度,一个对硬件要求较高、速度较慢的语义分割算法在实际中很难落地应用。故本文在对全卷积网络U-net算法进行了充分的分析,总结其优缺点,重新设计并训练了一个新的端到端图像语义分割算法模型,主要工作如下:首先,本文所设计的基于全卷积的快速语义图像分割算法可以输入任意大小的图片,对尺寸没有任何要求。接而,为了加速算法网络的速度,本文将算法的大部分卷积操作替换成可分离卷积,使得算法的参数量大大减少;快速上采样模块是无训练参数的快速上采样模块,利用通道信息和空间信息的融合,使得网络在学习过程中加强通道信息的特征学习,提升模型的表征能力。且快速上采样模块速度非常快,极大地加速了网络的运算。为了提升网络的性能,本文分析U-net网络的瓶颈在于上下文信息采集的不足,故本文设计了一个并行的具有Bottleneck结构的上下文信息采集模块,有效的提升了网络的上下文信息采集能力,输出精度进一步提升。其次,设计了基于全卷积的快速图像分割算法模型的训练和测试方法,在KITTI道路分割数据集上对新网络模型进行训练和测试,并对学习率、L2正则化参数等超参数进行了优化。最终,利用训练完的模型进行测试集预测,其结果与其他KITTI道路分割数据集上排名顶尖的算法进行比较,本文所设计的快速图像语义分割算法在保证精度的同时极大地提升了运算速度,在原分辨率的输入下,运算时间是其他网络的 1/20,为 0.05s,最大 F 指标(MaxF)达到了 95.82%。