道路场景语义分割是自动驾驶汽车理解周围道路场景的关键技术。近年来,得益于计算机技术的迭代更新和深度学习在各类研究领域表现出的强大计算能力,采用深度学习算法进行计算机视觉研究任务得到了快速发展。早期基于深度学习的图像语义分割研究大都追求更高的分割精度,并且已经在一些应用场景中发挥重要作用,例如医学影像分割等。虽然基于准确率的深度学习语义分割算法拥有较高的分割精度,但复杂的网络模型也拥有巨大的计算负担和过多的冗余参数,使其难以在硬件资源有限的移动设备上部署。特别是在实时性要求较高的分割应用场景中,不仅要求网络具有较高的分割精度,并且也要保证一定的分割速率。目前的道路场景语义分割算法普遍存在网络模型参数过多冗余,计算量大,分割速度慢等问题,因此如何在保证具有良好分割效果的前提下,减少网络参数和计算量,提升网络计算速率成为了实时语义分割研究领域的难点和热点。本文围绕着如何减少网络参数,提高多层次特征融合效率和提升多尺度上下文编码效率展开研究,使分割网络在控制参数量的同时,达到分割精度和分割速度上的平衡。本文主要研究内容如下:（1）设计了一种用于道路场景语义分割的轻量级特征融合网络（LFFNet）。LFFNet针对语义分割网络中复杂的特征融合会消耗较多计算资源,并且高级特征与低级特征融合时常常忽略位置信息的问题,使用多层次特征融合模块,在捕获远距离依赖关系的同时保留准确的位置信息,增强多层次特征之间的语义一致性。在提取多尺度目标特征信息方面,LFFNet受ASPP启发,使用一种轻量语义金字塔模块,通过深度可分离卷积提取多尺度上下文信息,从而进一步提高网络分割性能。（2）继续对LFFNet进行改进,设计了基于残差学习和注意力融合的轻量级分割网络（RLAFNet）。RLAFNet使用空洞卷积、深度卷积、分解卷积和通道重组的精心设计组合对MobileNet V2中的瓶颈块进行改进,在保证网络参数量的同时提升网络的特征提取性能。为了提升多层次特征融合的效率,RLAFNet使用注意力引导融合（AGF）模块替换之前的特征聚合模块（FAM）,AGF通过通道注意力机制和空间注意力机制对特征赋予不同的权重,突出重要特征,抑制不相关特征,进一步提升网络的分割效果。最后,分别在公开数据集上对设计的方法进行验证和测评。实验结果表明,LFFNet在拥有少数参数量的情况下可以达到较好的分割结果。RLAFNet拥有与LFFNet几乎相同的参数量,虽然分割速度比LFFNet稍慢一点,但其分割精度得到了明显的提升。