随着深度学习的蓬勃发展以及移动机器人的普遍使用,自动驾驶逐渐成为人们研究的热点。环境感知是自动驾驶技术中最重要的一环,而环境感知的目的是为了区分环境内容,因此,精确、高效的图像语义分割方法越来越重要。本文将针对基于深度学习的机器人室外感知图像语义分割方法进行研究,提出一种在保证准确率的情况下能够加快网络运行速度的语义分割网络模型,以及一种能够增强边界信息的高精度语义分割网络模型。本文主要研究内容如下:首先,研究了卷积神经网络的重要组成部分以及每个具体操作的原理;分析了几种具有代表性的图像语义分割网络模型;设计了本文模型所采取的图像预处理方式以及图像评价准则。其次,设计了多尺度特征融合的全卷积图像语义分割网络。提出了改进型多尺度模块以及改进型残差模块,并将其引入到本文的网络模型中;改进型多尺度模块,主要由普通卷积和空洞卷积组成,充分利用了空洞卷积的优势来得到图像的特征信息;通过对比分析批量归一化和组归一化的优缺点,创新性的将组归一化应用到残差模块中,并将能提高网络模型鲁棒性的Leaky Re LU(LRe LU)激活函数应用到残差模块中。为了使网络最后预测分割时的参考信息更加全面,本文在网络模型中加入了图像预处理模块。通过分析卷积操作与池化操作的优缺点,利用卷积的优势,设计了全卷积网络模型,并进行了对比试验,试验结果证明全卷积网络模型能够提高预测分割的精度。再次,设计了增强边界信息的编解码网络。本文将网络模型分为编码器和解码器两部分。通过分析双线性插值和反卷积这两种上采样方式的优缺点,设计了采用反卷积进行上采样操作的两种网络模型,并进行了对比试验,试验结果证明保留四倍和八倍下采样的特征信息与对应的特征信息进行融合的方式的效果更好。创新性的引用了残差链结构,将网络中提取的浅层特征先进行卷积操作,再与深层抽象特征相融合,从而减小融合部分的差异性来提高算法的精度。优化了网络的损失函数,即选择了一种能够缓解样本非均衡性的Focal Loss函数,并将其与传统的交叉熵损失函数进行了对比试验,试验结果证明Focal Loss函数更有利于模型的训练。最后,利用实验室的旅行家IV号移动机器人采集校园街道场景图像,并制作自己的数据集。利用制作的数据集对本文设计的网络模型进行了对比试验,并针对不同的应用场景进行了分析,试验结果证明多尺度特征融合全卷积网络模型更适用于简单场景下的预测分割,而增强边界信息的编解码网络模型更适用于复杂场景下的预测分割。