近年来人工智能技术的发展突飞猛进,为无人机的自主移动、无人智能驾驶提供了新的思路和发展方向。大多无人机/无人驾驶避障依赖激光雷达,虽然精度很高但它存在着体积大、功耗高、价格贵而且存在下雨天等极端天气无法工作的缺点。无人机/无人驾驶导航依赖于GPS,虽然能全天候输出经度维度二维坐标但不能给出定位目标的具体三维空间信息,同时存在民用定位精度偏低、立交桥下定位不准的缺点。为了解决这些问题,人们尝试利用语义分割、三维重建等深度学习视觉技术试图构建低成本、高精度的避障导航系统,促进推动无人机自主移动、无人智能驾驶技术的发展。本论文聚焦于终端和后端的图像语义分割算法的研究与应用。首先研究了主流的图像分割算法MNC、Mask-RCNN、FRRN、DeepLabv3,对其进行了深入分析与实验比较,并在高性能的计算设备上对分割精度和分割速度进行了综合评估。立足于嵌入式异构计算机系统结构,在评估的基础上重点研究了满足移动嵌入式端的实时图像语义分割算法ENet;吸收目前性能领先的图像语义分割算法Mask-RCNN的思想——在Faster R-CNN目标检测的基础上对每个ROI添加mask分支进行像素级分割预测,提出基于Yolov3+Enet的实时嵌入式终端语义分割算法,同时对该算法在嵌入式异构平台NVIDIA Jetson TX2上移植与性能优化,把神经网络模型进行了模型压缩剪枝操作以及量化操作以达到牺牲少量精度大幅提升速度的目标。此外基于KITTI城市街景数据集对该算法进行整体训练得到语义分割模型,针对模型速度、精度性能进行了分析评估。后端高精度语义分割部分聚焦完成双目标定、双目立体匹配以及该算法在TX2移动平台的并行优化;最后基于ORB-SLAM+DeepLabv3搭建语义三维SLAM。