近年来,深度学习飞速发展,与此相关的应用研究不断增加,用深度学习的方法解决真实场景中的问题已逐渐成为一种趋势,例如图像识别、无人车驾驶、地理信息系统、医疗影像分析等。其中,在图像识别领域中,图像分割占据着举足轻重的地位,利用深度学习中的卷积神经网络模型对图像进行分割可以取得高精度的预测结果。在众多真实场景中,一些语义分割模型的性能甚至超过了人类。因此,许多研究将卷积神经网络的图像分割算法应用在自动驾驶场景的数据集中,并取得了一定的成果。但是当前的语义分割网络模型大多基于逐像素分类的方法实现,忽视了特征之间的相关性,因此在自然场景图像中,模型缺乏对图像内容的理解,限制了模型的性能,同时在分割过程中存在着参数量过大的缺陷。因此本文基于当前分割网络模型的不足进行深入的研究和改进。本文对卷积神经网络中几种主流的语义分割模型进行了对比分析,提出了一种融合上下文感知和边界增强的模型,设计了上下文感知模块,通过在特征的空间域上引入注意力机制,对特征进行了自适应加权,增强了物体内部像素之间的联系以及物体与环境的理解;同时引入了一个边界增强模块,利用自注意力机制对图像的分割边界进行了额外的增强处理,减少了小物体图像的分割边界上的信息损失。为了证明本文所提出的CAEENet模型在语义分割任务中的有效性,本文将提出的CAEENet模型和当前几种主流的语义分割模型进行了对比试验,在城镇数据集上的实验结果表明,本文提出的模型相比于CGNet模型性能提高了2.68%。本文还针对提出的两个模块设计了消融实验,实验结果表明分别将上下文感知模块和边界增强模块加入模型中能够不同程度提升模型的性能,当两个模块都加入时,模型的性能能够从64.80%提升到67.48%,达到了最佳的性能。从实验结果可以看出,本文提出的CAEENet模型能够在语义分割任务上达到更好的性能,同时模型参数量少,实际参数量只有1.18M,也有利于模型实际部署到边缘设备中。