最近几年来,自动驾驶技术成为各国竞相发展的重要领域。自动驾驶技术主要分为三个部分,一个是感知,一个是决策,另一个是控制,其中最基础的就是汽车的环境感知模块。但是,道路场景的复杂性给汽车环境感知和理解带来了巨大的挑战和困难。现有的道路场景感知系统成本极高,如果使用以计算机视觉为解决方案的道路场景感知技术,会大大降低感知成本。语义分割(Semantic Segmentation)是一种很好的道路场景理解技术,能对图像进行像素级的分类识别,可以很好地感知道路场景,具有很广泛的应用价值。目前基于深度学习的道路场景语义分割技术在分割精度和分割速度上都达到了全面超越传统的语义分割技术的水平,但是仍存在不少问题,比如:(1)分割的物体过于庞大导致分割物体不完整;(2)分割物体太小导致无法识别到;(3)分割目标受光照等因素影响过大导致目标不明显。针对以上的问题,本文在现有模型的基础上,提出了一种基于全卷积神经网络的语义分割模型,主要创新点如下:(1)设计了一种编码器-解码器语义分割模型,编码器部分采用带有膨胀卷积的Resnet18Dilated结构,使用膨胀卷积在不减少图片分辨率的情况下增加感受野。(2)使用不同的池化获得不同感受野的特征图,解决分割物体超过感受野则不能被完整分割和分割物体小于感受野则不能被识别的情况;(3)使用双重注意力机制,建立局部对整体特征的依赖,解决光照等因素遮挡导致分割目标不明显以及尺度不同的问题;通过在本领域权威的数据集ADE20K和Cityscapes上的实验,本文提出的模型与几种主流语义分割模型进行了详细对比,最终实验结果表明,本文的模型在分类精度上有明显的提高,能一定程度上解决目前模型的缺陷。因此,本文的方法为语义分割技术提供了一定的参考价值。