近些年来,为了大大提高人们的出行效率,减少交通事故的发生,自动驾驶技术逐渐成为了人们研究的热点。在自动驾驶系统中,对于周围环境的感知是最至关重要,而对于道路场景环境的感知,最常用的方法就是道路场景的语义分割。随着深度学习理论的不断发展,基于深度卷积神经网络的语义分割技术正在取代传统的人工设计方案,因此,本文着重于对基于深度卷积神经网络的道路场景语义分割算法开展研究,通过分析现有算法存在的问题,提出更加准确、快速的语义分割算法,提出的算法具体如下:(1)多尺度输入特征提取语义分割网络MFNet:针对全卷积神经网络FCN在获取目标的语义信息时提取到的特征单一、不具有代表性,语义信息恢复不够细致,从而导致对相似性较大的目标识别错误,分割边缘模糊等问题,提出了一种多尺度特征提取语义分割网络MFNet,该网络采用了多尺度输入的方式,将原始图片缩放为不同的尺度输入到并行的特征提取模块中,丰富特征的多样性,增强网络的识别能力。同时,为了使恢复的语义信息更加细致,采用逐层反卷积的方式进行上采样。在多个数据集上进行验证,结果表明,MFNet能够有效地区分相似性较大的目标,并且分割的轮廓更加清晰,大幅度的提高了语义分割的准确度。(2)快速语义分割网络RINet:针对语义分割的速度问题,在ERFNet的基础上,提出了一种基于深度可分离卷积的快速语义分割网络RINet,该网络以常规残差模块和倒置残差模块为核心,常规残差模块能使网络内部的计算更加充分,保证分割精度。而倒置残差模块结合深度可分离卷积在不牺牲分割准确度的前提下大量的减少了参数的数量,同时在倒置残差模块中用到了扩张卷积,用于扩大感受野,提取丰富的语义信息。在多个数据集上进行验证,结果表明,RINet能够在不牺牲分割准确度的前提下,提高分割的效率,在速度和精度之间取得了很好的平衡。