针对图像全景分割任务对于实践应用中现有网络结构运算不够快速的问题，提出一种基于分组卷积进行特征融合的全景分割算法。首先，通过自底向上的方式选择经典残差网络结构（ResNet）进行特征提取，并采用不同扩张率的空洞卷积空间金字塔池化操作（ASPP）对提取到的特征进行语义分割与实例分割的多尺度特征融合；然后，通过提出一种单路分组卷积上采样方法，整合语义与实例特征进行上采样特征融合至指定大小；最后，通过对语义分支、实例分支以及实例中心点这三个分支进行损失函数运算以得到更加精细的全景分割输出结果。该模型在CityScapes数据集上与注意力引导的联合全景分割网络（AUNet）、全景特征金字塔网络（Panoptic FPN）、亲和金字塔单阶段实例分割算法（SSAP）、联合全景分割网络（UPSNet）、Panoptic-DeepLab等方法进行了实验对比。实验结果表明，与对比方法中表现最好的Panoptic-DeepLab模型相比，所提模型在极大减少了解码网络参数量的情况下，全景分割质量（PQ）值为0.565，仅下降了0.003，在建筑物、火车、自行车等物体的分割质量上有0.3~5.5的提升，平均精确率（AP）、目标IoU阈值超过50%的平均精确率（AP ₅₀）分别提升了0.002与0.014，平均交并比（mIoU）值提升了0.06。可见该方法能提升图像全景分割速度，在PG、AP、mIoU三个指标上均有较好的精度，可以有效地完成全景分割任务。