近期，神经架构搜索（Neural Architecture Search, NAS）在大规模图像分类中成功识别出超越人工设计的神经网络架构。本文研究了用于语义图像分割的NAS。现有的工作通常集中在搜索可重复的单元结构，而手动设计控制空间分辨率变化的外部网络结构。这种选择简化了搜索空间，但对于表现出更多网络级架构变化的密集图像预测来说，逐渐成为一个问题。因此，我们提出除了搜索单元级结构外，还应搜索网络级结构，从而形成一个分层的架构搜索空间。我们介绍了一个包含许多流行设计的网络级搜索空间，并开发了一种允许高效基于梯度的架构搜索的方法（在Cityscapes图像上使用3个P100 GPU运行3天）。我们在具有挑战性的Cityscapes、PASCAL VOC 2012和ADE20K数据集上展示了所提方法的有效性。Auto-DeepLab是我们专门为语义图像分割设计的架构，在没有任何ImageNet预训练的情况下达到了最先进的性能。