全球汽车保有量迅猛增长,世界上很多城市,尤其是大城市都面临着能源浪费、尾气排放量过大以及交通堵塞所带来的安全隐患等棘手问题。自动驾驶成为了提高交通安全的有力技术,也成为了当今前沿科技的研究热点。自动驾驶汽车获取的外界环境信息其中80%都来源于摄像机。基于视觉的自由驾驶空间感知技术成为了自动驾驶技术的重中之重,图像语义分割技术通过将由摄像机获取的图像逐像素标注成可理解的语义信息,对自由驾驶空间的建立具有重要作用。现今,基于深度学习的语义分割技术已经取得了较高的分割准确率,但高分割准确率的语义分割算法,具有模型复杂,参数众多,计算量大的缺点,难以满足自动驾驶对自由驾驶空间感知技术的实时性要求。本文针对高精度语义分割算法计算量大的问题,分析了当前算法所存在的问题,并提出了改进方案。首先,针对高精度语义分割算法存在计算量大,实时性差的问题。本文对高精度语义分割模型中常用的残差模块进行了轻量级的改进,结合卷积分组、depthwise卷积提出了一种高效的非瓶颈结构残差模块,使模型的运行速度得到提升;并对空间金字塔池化模块进行了轻量级改进,优化了该模块的运行速度。并结合三种增强网络模型分割性能的方法,设计了一种轻量级的语义分割模型,在满足自动驾驶对感知技术实时性的要求下,取得了 65.07%的分割精度,在模型分割精度与分割速度上取得了较好的平衡。其次,由于深度卷积神经网络不可避免的多次使用下采样操作,使得神经网络中高层特征中的目标对象位置信息丢失较为严重,造成模型对图像中类别边缘的分割效果差,影响到驾驶空间中关键目标的定位。本文通过手工为模型添加图像边缘信息,融合类别边缘监督辅助分支提取的边缘特征,并提出了一种融合上采样方案,进一步提高了本文提出的模型对类别边缘的分割效果,提高了自动驾驶汽车对自由驾驶空间中关键目标的定位精度。