由于视觉方面的障碍,全世界约2.53亿视障人士的出行和生活面临着诸多不便,对于环境的感知尤其困难,严重影响着他们的生活质量。传统的盲人辅助手段(如盲杖、导盲犬)的使用存在着不少局限,而现有的导航、避障、定位等辅助方式又不足以提供比较全面的场景信息(包括周围的物体,以及地面墙面等环境信息)。种种困难让视障人士群体迫切希望有一套辅助他们感知周围环境的系统。近年来,利用卷积神经网络、借助深度学习手段进行图像识别和分割的技术在图像内容理解和信息获取领域有了十分广泛的应用。其中,语义分割对图像进行像素级分类,能获取丰富的物体和场景信息,很适合场景感知任务。然而,盲人辅助的场景感知有其特殊的应用要求:环境中存在海量信息,对于冗余信息盲人无需感知;网络在盲人常用的移动设备上运行,要满足一定的实时性要求,实现精度和实时性的平衡;同时,盲人活动范围为室内外,光照变化对语义分割鲁棒性有较大影响。针对这些问题和需求,本文研究可用于移动端的轻量级语义分割网络,并将其应用于移动端设备上,为盲人辅助场景感知提供支持。本文总结了相关技术的发展现状,并归纳了核心部分——实时语义分割网络常用的主要技术方法。在此基础上,采用基于DeepLabv3+网络结构、MobileNet v2及改进的ShuffleNetv2作为特征提取器的轻量级语义分割网络,并通过适当增减调整空洞空间金字塔池化层(ASPP层)的数目对其加以改进;训练数据上,对室内外场景数据集ADE20K做类别缩减去除冗余信息,再经光照不变性预处理,以提高模型精度和鲁棒性;采用多次预训练的方式,使用不同的初始学习率,对模型在经过和未经光照不变性预处理的数据集上分别进行了训练和验证,并在Gardens Point Walking数据集白天和夜晚图像上进行了测试,验证模型对光照的鲁棒性。对两种轻量级语义分割网络模型,在精度、实时性和模型规模及计算量方面与已有模型进行对比,在1080Ti上,以MobileNetv2为backbone的网络mIoU为 50.9%,运行速度为 64 FPS;以 ShuffleNet v2 为 backbone 的网络mIoU 为 45.8%,运行速度为83 FPS。随后对训练好的模型完成了安卓手机端的移植部署。最后本文对盲人辅助场景感知的轻量级语义分割网络进行了总结,对目前存在的可改进之处和今后的发展方向作了展望。