1.一种基于多尺度特征和编解码器模型的街景图像语义分割方法，其特征在于，包括以下步骤：S1、原始图像输入深度卷积神经网络提取初始特征图；S2、将初始特征图输入第一多尺度空间金字塔池化模块输出第一特征图；S3、将第一特征图输入第二多尺度空间金字塔池化模块输出第二特征图；S4、由所述第二特征图通过1×1卷积和第一上采样层与第一特征图1×1卷积后的特征图相连接还原成第一还原图；S5、所述第一还原图通过第二上采样层与所述初始特征图1×1卷积后相连接得到第二还原图；S6、所述第二还原图通过3×

3卷积和第三上采样层还原为原始图像大小得到最终的预测图；所述第一多尺度空间金字塔池化模块和第二多尺度空间金字塔池化模块对输入的特征图处理输出特征图的方法为：将输入的特征图分别通过1×1卷积提取第一种尺度的特征图，通过四个扩张率不同的atrous卷积提取四种不同尺度下的特征图，通过平均池化操作提取最后一种尺度的特征图，共获得六种尺度的特征图；将所述六种尺度的特征图级联后得到最终的包含多尺度信息的特征图输出。

2.根据权利要求1所述的基于多尺度特征和编解码器模型的街景图像语义分割方法，其特征在于，所述深度卷积神经网络由池化层和卷积层组合而成的。

3.根据权利要求1所述的基于多尺度特征和编解码器模型的街景图像语义分割方法，其特征在于，所述四个扩张率不同的atrous卷积的扩张率分别为3、6、12、18。

4.根据权利要求1所述的基于多尺度特征和编解码器模型的街景图像语义分割方法，其特征在于，所述第二多尺度空间金字塔池化模块输出第二特征图的步长为16。

5.根据权利要求4所述的基于多尺度特征和编解码器模型的街景图像语义分割方法，其特征在于，所述第一上采样层的放大倍数为2，所述第二上采样层的放大倍数为2，所述第三上采样层的放大倍数为4。