无人自主系统(UAS)是无人车、无人机等无人自主设备在移动场景中执行任务的重要的支撑系统。图像分割是这类UAS系统环境感知、路径规划和任务执行的关键前提。因此,面向UAS场景的图像分割相关技术研究具有十分重要的理论意义和应用价值。本文针对车载和机载应用场景,提出了一种基于深度学习的实时图像分割方法,设计并实现了应用于UAS自然场景的图像分割系统。主要工作如下:(1)针对UAS的自然场景的道路和天空分割问题,构建了自然场景图像的数据集。并采用Labelme技术对自然场景图像中的道路和天空进行标注,建立了适合本文方案的语义标签。(2)针对UAS的自然场景图像的特点和网络通畅情况,提出了一种以深度学习为基础的图像分割算法。具体由云端远程图像分割算法和智能移动终端图像分割算法构成。云端远程图像分割算法采用Kitti Seg数据集训练FCN8-VGG16网络架构。实验仿真结果表明,其F1值相对Marvin Techmann提升了4%以上,该算法可有效对道路、天空这两类的自然场景进行图像分割。在移动端采用U-Net网络架构,实现智能移动终端的图像分割算法。实验仿真结果表明,该方法的数据集图像分割的准确率达到96%以上,其F1值也达到了95%以上,能够实现更加高效的图像分割。(3)设计面向UAS自然场景图像分割的系统架构,实现了系统架构和功能。该系统由移动计算子系统和云服务子系统组成。其中,移动计算子系统包括:图像获取、移动终端网络通信、移动终端图像分割与图像显示四大模块;云服务子系统由模型训练模块、云服务网络通信模块和云服务图像分割模块等组成。系统设计了网络带宽自适应机制,根据网络带宽分别采用不同网络模型实现图像分割。当网络畅通时,采用云服务实现图像分割,再将分割后的图像下载到移动终端;在网络不畅通时,直接采用移动终端进行图像分割。本文设计并实现面向UAS场景的图像分割与应用系统,在保证图像分割高准确率的同时,能有效的解决不同网络带宽情况下基于云服务的图像分割问题。本文的研究成果对于改善UAS图像分割的实用性具有一定的现实意义。