近年来随着人工智能和深度学习技术的不断发展,各类室外的智能类产品变得司空见惯,例如在无人驾驶、无人机、智慧城市交通等多个方面都有着广阔的发展前景。其中基于深度学习的语义分割技术更是在视觉感知方面有着举足轻重的地位,它可以从像素级别上对物体进行识别分类,还原识别物体形状,非常适合那些不使用框图标识的物体,例如街道、人行道、房屋、路灯杆等物体。同时与传统方法对比它还具有精度高,泛化性好等特点。但是高精度的网络在处理速度方面依然有很大的改进空间,虽然硬件水平在不断发展进步,但设计优化网络依旧是我们不断追求实现的目标。为了保证网络可以在室外设备上流畅正常的使用,设计高效实时网络是很有必要的。本论文首先介绍了课题的研究背景,简述了基于深度学习的分割技术在国内外各类人工智能应用中的研究现状及发展趋势,并且简要地说明了本文的研究内容及论文结构。接下来介绍了常用分割网络的整体结构及各部分模块的基本结构,常用的分割网络很难同时兼顾计算速度与精度,所以利用深度可分离卷积来代替传统卷积,搭配1x1传统卷积来对通道数进行扩张和压缩,再结合跳跃结构,以此来达到速度与精度的权衡。同时在设计损失函数时,考虑到类别间差距较大,需要对损失函数进行加权,来平衡类间差距。该网络可在NVIDIA Jetson TX2板卡上达到14.0fps的速度,在Cityscapes数据集上可以达到62%mIou（平均交并比）。对于车道线分割则是在原有的实时分割网络基础上加上另一分支,对每一像素都得到一个四维向量,最后运用聚类算法对所属于不同的车道线像素进行聚类分割。该网络可在NVIDIA Tesla P100上达到50fps左右。结果表明这两个网络设计都可达到实时效果,也都得到不错的效果。