针对现阶段实时语义分割算法计算成本高和内存占用大而无法满足实际场景需求的问题，提出一种新型的浅层的轻量级实时语义分割算法——基于注意力机制和有效分解卷积的实时分割算法（AEFNet）。首先，利用一维非瓶颈结构（Non-bottleneck-1D）构建轻量级分解卷积模块以提取丰富的上下文信息并减少运算量，同时以一种简单的方式增强算法学习能力并利于提取细节信息；然后，结合池化操作和注意力细化模块（ARM）构建全局上下文注意力模块以捕捉全局信息并细化算法的每个阶段，从而优化分割效果。算法在公共数据集cityscapes和camvid上进行验证，并在cityscapes测试集上获得精度为74.0%和推理速度为118.9帧速率（FPS），相比深度非对称瓶颈网络（DABNet），所提算法在精度上提高了约4个百分点，推理速度提升了14.7 FPS，与最近高效的增强非对称卷积网络（EACNet）相比，所提算法精度略低0.2个百分点，然而推理速度提高了6.9 FPS。实验结果表明：所提算法能够较为准确地识别场景信息，并能满足实时性要求。
