全卷积神经网络(FCN)的图像语义分割算法不仅能够直接处理任意尺寸的图像,省去繁琐的中间步骤,实现端对端像素级分割,而且提高了分割的准确率。但是全卷积神经网络中的池化层在降低网络模型的复杂度和提升运算速度的同时,会由于多次池化层的使用导致成倍降低特征图的分辨率。针对多尺度下的目标分割问题,本文提出了一种多尺度特征融合的图像语义分割方法。具体研究如下:1)采用了跳跃连接方法。新模型将池化层pool3和pool4输出的特征图与空洞空间金字塔池化模块所提取的特征图进行融合,可以将粗糙的深层信息与精细的低层信息融合起来,提高语义分割的精度。2)改进了空洞空间金字塔池化(ASPP)模块。新模型将ASPP模块中卷积层Fc6并行的4种不同空洞率的空洞卷积改为并行6种不同空洞率的空洞卷积,增强了网络从不同尺度捕获特征信息的能力,进一步提高了图像分割的准确率。3)采用全连接条件随机场(CRF)方法。新模型在外端采用CRF改善像素级别分类器的性能,这样不仅能捕获边界细节信息,还能适应远距离依赖,改善分割效果。通过在PASCAL VOC 2012数据集上进行训练和验证,达到了82.0%的平均像素准确率和71.9%的平均交并比。实验结果表明:通过改进空间维度上的ASPP模块及采用全连接CRF方法,达到了良好的图像语义分割效果。