编-解码结构的卷积神经网络是近年来出现的一类高准确率的图像语义分割方法,但是参数量大、对算力要求高的特点,束缚了其在无人驾驶、道路监控、遥感分类以及移动端物体检测等算力有限、实时性强的领域中的应用。针对以上问题,首先设计空洞卷积组合模块—NG-APC模块,通过规范空洞率,在扩大感受野的同时解决空洞卷积中的栅格问题;再利用NG-APC模块结合深度可分离卷积搭建编码-解码结构的NA-U-Net。最后利用该网络,提出一种基于空洞卷积组合的轻量级语义分割方法,在保持较高的分割准确率的同时大幅降低卷积模型的参数量和计算量。通过在公开数据集Cityscapes上进行实验,并与经典的FCN-8s、U-Net以及轻量级的ESP-Netv2、Refine Net-LW、LiteSeg进行对比,验证本方法的有效性。