近年来,随着人工智能技术的日益成熟,采用深度学习算法的智能抄表系统相继开发,可以自动的将图片中的表读数、二维码等目标区域的信息提取出来。但智能抄表系统仍存在一些问题:移动端上传大尺寸图片会增加网络传输时间;服务端系统保存大量的原尺寸图片会造成存储空间的压力;图片中信息要素过多,准确提取目标区域的信息需要大量样本对模型进行训练,增加了系统运算时间。如果在移动端采集图片时便将目标区域分割出来,再将分割图上传到服务端系统进行信息提取,便能提高系统整体性能。本文基于在移动端的抄表系统中完成图片预分割的需求,深入研究图像语义分割相关技术,提出一种适合运行在移动端的轻量化的语义分割模型,并实现了在移动端对图片进行预分割的抄表系统。主要完成以下工作:1)对图像语义分割相关技术进行了研究。包括几种常见的语义分割算法和轻量级的卷积神经网络。着重研究了经典的FCN分割算法,分析其运行在移动端时存在的问题;对比研究三种轻量级卷积神经网络后,选用MobileNetV3网络对分割模型进行轻量化改进。2)提出了一种适合在移动端运行的轻量化的图像语义分割算法。对MobileNetV3网络进行改进,包括对其网络结构的调整和使用优化的激活函数L-ReLU6,并用改进后的MobileNetV3替换FCN中的下采样部分进行图片的特征提取,以减少模型的运算和时间开销;采用双线性插值的方式替换FCN中的上采样部分,并将低级和高级特征进行融合,解决图像特征丢失的问题。经过测试,改进后的分割模型极大减小了运算时间和模型体积,适合在移动端运行。3)实现了在Android移动端对图片进行预分割的抄表系统。将轻量化的分割模型移植到移动端,并开发了图片采集、模型调用、前后端通信等模块。最后对系统的功能进行测试,验证了系统的可用性。