图像分割是图像理解的基石性技术,在自动驾驶系统、无人机应用以及穿戴式设备等应用中举足轻重。尤其在自动驾驶领域中,道路的场景图像分割技术极为关键。道路场景分割是将视觉图像中每个像素进行分类识别,并将包括道路、汽车和行人等目标分割出来,从而得到一个表示驾驶场景的深度理解的语义标签图像,计算机接收到语义标签图像后,会根据标签图像上的分割结果,自动实行驾驶决策。实现图像分割有多种方法,包括传统的手工特征方法、机器学习方法和深度学习方法。近几年来,深度学习卷积神经网络(Convolutional Neural Network,CNN)在图像、语音和文字的识别方面均取得了突破性的成就。而深层次的卷积神经网络由于识别精度高,得到了更广泛的应用。深度卷积神经网络的优势在于通过对原始信号进行逐层特征变换,自动地学习得到层次化的特征表示,从而更有利于特征的可视化。目前,各种深度卷积神经网络在图像分割领域的表现已经超过了传统的图像分割算法。然而,由于基于卷积神经网络的图像分割算法通常没有获取物体之间的上下文信息和关联性的能力,对一些复杂自然环境不明显或不完整的物体难以达到较好的识别效果。针对这个问题,本文提出了一种改进的多重区域注意力算法,该算法可以捕获空间维度上不同区域之间的上下文信息,关注物体之间的关联性,利用对象的背景信息尤其是长距离的信息标记不明显的对象。同时将此算法嵌入到先进的图像分割模型上,提升模型的分割效果。本文在多个公开的数据集上进行评测,和多个先进的分割算法比较,实验结果表明本文提出的方法优于基线模型,能够有效地识别出传统图像分割算法中难以识别的不明显和不完整的物体。最后,本文针对物流道路场景分割系统的需求,将本文提出的图像分割算法模型应用到该系统中,设计并实现了一个智能辅助驾驶系统,将道路场景分割系统作为该系统的核心模块,其可以分析道路场景的路况信息,保障司机在物流运输过程中的安全性。同时根据物流场景的特殊性,本文设计并实现了一个安卓智能物流平台应用,并对系统中各个模块做了详细的设计与实现,该应用可以将传统的物流环节提到线上操作,提升物流运输环节的效率,并将上述智能辅助驾驶系统嵌入到该应用中,使得整个物流运输环节变得安全高效。