La detección y percepción subacuática todavía dependen en gran medida de equipos acústicos, conocidos como sonar. Como sonar de imagen, el sonar de barrido lateral puede presentar una situación subacuática específica en imágenes, por lo que el escenario de aplicación es amplio. Sin embargo, la definición del sonar de barrido lateral es baja; muchos objetos están en la imagen y la escala es enorme. Por lo tanto, el método tradicional de segmentación de imágenes no es práctico. Además, la adquisición de datos es desafiante y el tamaño de la muestra es insuficiente. Para resolver estos problemas, diseñamos un modelo de segmentación semántica de imágenes de sonar de barrido lateral basado en una red neuronal convolucional, que se utiliza para realizar la segmentación semántica de imágenes de sonar de barrido lateral con pocas muestras de entrenamiento. El modelo utiliza un núcleo de convolución grande para extraer características a gran escala, agrega un canal paralelo utilizando un núcleo de convolución pequeño para obtener características multiescala y utiliza un bloque SE para centrarse en el peso de diferentes canales. Finalmente, verificamos el efecto del modelo en el conjunto de datos de sonar de barrido lateral recopilado por nosotros mismos. Los resultados experimentales muestran que, en comparación con la red de segmentación semántica ligera tradicional, se mejora el rendimiento del modelo y el número de parámetros es relativamente pequeño, lo que facilita su trasplante a un AUV.