由于深度学习取得的巨大成功,计算机视觉领域受到了社会各界空前的关注。图像语义分割作为计算机视觉领域的重要组成部分,也越来越受到工业界和学术界的重视。卷积神经网络以其强大的特征提取能力,在计算机视觉领域取得了前所未有的成功。但建立在全卷积神经网络基础之上的语义分割网络,仍然存在着分割效果欠佳和模型复杂度较高等问题,在对语义分割网络进行深入研究并总结其不足后,本文的工作主要在于针对上述问题对语义分割网络进行合理的改进与优化,提高网络有效感受野,提取全局上下文信息,整合多尺度目标特征,提升网络对于多尺度目标的分割效果,构建结合全局上下文信息和多尺度空间池化的端对端语义分割网络。本文通过空洞卷积与多通道特征融合实现对于道路裂缝图像的语义分割。首先,基于全卷积神经网络中经典的编码器解码器结构进行改进,在网络的高层阶段针对语义信息不足的问题,利用空洞卷积的大范围特征提取能力,扩张其网络的感受野,使得高层特征具有更加丰富的语义信息,弥补上下文信息的不足;其次,在网络解码器部分,添加了多通道特征融合模块,抑制无关的背景区域响应,更好地恢复了图像的细节信息。本文的提出的裂缝检测模型在CRACK500等裂缝检测数据集上达到了72.5%的平均交并比(m Io U)和96.8%的F1-score的指标。针对皮肤黑色素瘤区域分割问题,本文设计了结合多尺度及上下文信息的黑色素瘤分割模型。在网络结构上,对于低层特征输出,采用空间注意力机制以滤除无关背景信息;对于高层特征输出,构造了多尺度的感受野,利用通道注意力对输出特征图进行筛选和加权;利用Laplace边缘检测算子加权黑色素瘤边界像素,以保留病灶区域更多的边界信息;最后加权融合高低层特征,输出最后的预测结果图。在ISIC2018与PH2两个皮肤病变分割数据集上取得了更好的分割效果。最后,从实际应用的角度出发,设计并实现了一个基于生成对抗网络的视网膜血管图像语义分割系统,降低了用户训练并使用图像语义分割模型的难度。其中生成模型采用编解码网络结构,输出视网膜血管的分割结果。判别模型是经典卷积神经网络结构,输出结果是对输入的图像进行分类。通过两个网络模型交替迭代的对抗训练方式,优化生成模型的分割结果。最终得到的网络模型在DRIVE数据集上进行测试,实验结果表明,基于生成对抗网络的网络模型在灵敏度上有所提升,分割结果具有更清晰的细节表现。