语义分割是像素级的图像分类任务。相比于其他的计算机视觉任务如图像分类和目标检测而言,语义分割能够提供更加丰富的语义信息。随着深度学习在近些年来的迅猛发展,基于深度学习的语义分割算法已经在自动驾驶、缺陷检测、智慧农业和医疗图像分析等领域拥有了广泛应用。但是目前基于深度学习的语义分割算法的计算量往往都很大,这限制了算法在资源有限的嵌入式设备等平台上的应用。本文首先分析了现有的基于光流法的视频语义分割模型,然后针对其问题设计了一种轻量级的实时视频语义分割模型,再通过在数据集上的实验证明了设计的模型的高效性,最后实现了模型在嵌入式设备上的推理性能的优化。本文的研究内容如下:1.提出了一种基于特征传播的实时视频语义分割模型。现有的基于光流法的视频语义分割模型有几个问题:（1）使用现成的光流网络来预测帧间光流信息,耗时过长。（2）光流网络需要先预训练再与语义分割网络联合训练。（3）没有有效地利用富含空间细节信息的低层特征。（4）没有实现关键帧的动态调度。针对估计光流信息耗时长以及光流网络需要预训练的问题,本文提出了高效的特征传播模块,这个模块可以快速地预测帧间流场信息并进行特征传播,还能够直接嵌入语义分割网络中进行端到端的训练;针对低层空间特征信息没有被利用的问题,本文提出了高效的特征更新模块在每一帧提取低层特征,提取的低层特征在与高层特征融合之后可以提高模型的分割精度;针对没有实现关键帧的动态调度的问题,本文提出了基于流场值阈值的关键帧动态调度机制,使得模型能够根据视频帧之间的变化情况确定关键帧;此外,本文还设计了具有双重注意力机制的特征融合模块,能够进一步地提升模型的分割精度。2.在CamVid数据集上进行了消融实验,逐一证明了所设计的模型中各模块的有效性。然后在多个数据集上进行了实验,评估模型的推理速度与推理精度,并且通过特征图可视化直观证明了所设计的特征传播模块能够有效地传播关键帧的高层特征到非关键帧,并令传播后的高层特征对齐非关键帧的低层特征,从而使得高层特征拥有更强的空间信息表达能力。最后,通过关键帧调度实验证明了所设计的基于流场值阈值的关键帧动态调度机制的有效性。3.基于Jetson Nano嵌入式设备对模型在嵌入式平台的推理性能进行了优化。首先通过TensorRT推理引擎将模型的各个模块独立地进行量化压缩,然后分析出不同模块的参数精度的最佳组合,使得模型的推理精度与推理速度达到最佳平衡,最后通过使用设计的多线程异步流水线架构进一步地提高了模型的实际运行速度。