场景分割在智能驾驶中有广阔的应用前景，目前针对智能驾驶领域的场景分割算法主要依靠语义分割实现对场景中物体的识别和理解。针对场景中目标物体的类别可以将其划分为两类：基于所有物体的场景分割和以人为核心的场景分割。
　　在场景分割算法的设计上，提取具有判别力的上下文信息是关键。因此，本文首先提出了一种基于稠密金字塔和协同学习的语义分割模型，由局部上下文金字塔模块和全局上下文金字塔模块级联形成的稠密金字塔，能同时提取局部上下文信息和全局上下文信息，增强模型分割目标的能力，具体表现在物体的细节和边缘预测、小物体的分割、不同物体的区分上更加准确。除此之外，本方法设计了基于语义分割和目标分类的协同学习策略，进一步增强模型提取上下文信息的能力。该方法在Citysacapes测试集上取得了82.0%的mIoU，验证了所提出方法的有效性。
　　在上述有效设计理念的基础上，本文进一步对以人为核心的更具挑战性的场景分割算法进行探索。人是智能驾驶领域中最重要的目标，对其进行人体细粒度分割有助于推进场景分割算法的发展。然而大部分算法没有利用人体自身的强结构性，从而限制了人体细粒度分割的发展。为了解决这个问题，本文将人体划分为三个层级，并利用直接预测、从上到下预测和从下到上预测对人体的每个层级进行推断，以此加强人体层次结构信息之间的流动。然后计算每个层级最终预测所对应的信息源的可靠性，利用条件信息融合将不同的信息源融合起来，生成最终的预测结果。该方法在LIP和PASCAL-Person-Part数据集上分别取得了57.74%和70.76%的mIoU，超越之前最优的方法，表明了所提出方法的先进性。