随着人工智能技术的发展,智慧城市,智能机器,自动驾驶等概念逐渐兴起,街景图像分割作为这些应用的起点,成为了一个新的研究热点。现有的方法在正常的天气和光照条件下已经取得了较好的分割效果,但在雨天及夜晚情况下,模型的性能急剧下降。同时,街景图像的分割对模型的处理速度有较高的要求,导致一般的语义分割模型在不同程度上无法满足需求。如何在正常场景、噪声场景(雨天、夜晚)及未知场景下实现良好的街景语义分割,是一个亟待解决的问题,具有重大的研究意义。本文旨在研究一个跨场景鲁棒的街景语义分割模型,其拥有较快的测试速度和在雨天和夜晚场景下鲁棒的性能,同时能更好的适应未知场景,在一定程度上规避现有方法存在的不足,主要的贡献如下:1.设计了一个轻量级语义分割模型本文提出了多尺度特征提取结构和级联的梯度传播结构,并基于这两种结构训练一个轻量级语义分割模型,该模型在拥有较快测试速度的前提下,能够提取到图片中更加丰富且完整的特征,大大提升了语义分割模型的性能。2.设计了同时生成夜晚和雨天图片的数据增强模块本文提出了一种能够同时生成夜晚和雨天图片的数据增强模块,该模块可以嵌入到所设计的轻量级语义分割模型的训练过程,两者结合之下,从数据层面解决现有语义分割算法在雨天及夜晚场景中性能下降问题,提升跨噪声场景的鲁棒性。3.设计了Group MMD损失本文提出了Group MMD损失,使语义分割模型能够从晴天图片和所生成的图片中学习到街景图片中更加通用的特征,从而进一步提升模型在未知场景下的鲁棒性。