深度卷积神经网络是计算机视觉领域非常有效的方法。海量增长的图像数据和日益普及的智能设备都要求快速、准确地理解图像的内容,并自动分割识别出图像中的目标物体。图像分割的任务是在给定的图像中检测出是否包含某类目标物体,并标注出图像中每个像素所属的对象类别,描绘出每个物体的边界,最终获得一幅具有像素语义标注的分割图。图像中目标物体的检测与分割对于计算机视觉的发展具有十分重要的意义,在实际的工程应用中也具有较高的实用价值,当前国内外发表了很多关于图像分割算法的优秀研究成果,但将其应用到实际的操作过程中时发现,仍然存在较多的问题,如目标物体在部分物体重叠遮挡、光照强度、背景干扰等因素的影响下,很难获得理想的分割精度。本文针对当前现有的算法进行了深入调研和分析,根据分析的结果对当前的算法进行优化,设计出更具备适应性的算法,下文将对本文的主要研究内容进行简述:（1）本文首先使用编解码结构,提出了一种用于图像语义分割的优化的高分辨率网络,解决传统全卷积模型中由多次卷积和采样操作导致的边缘轮廓过于模糊的问题,提高语义分割精度。本文引入分离-转换-合并思想来优化网络,减少网络参数量。为了增加视场的多样性且避免网格化问题,本文提出了一个混合扩张卷积模块来处理多尺度的图像对象,该模块包含了可以进行多尺度融合的旁路连接策略。为了解决解码过程中特征图中细节丢失的问题,本文提出了多级上采样卷积块,该问题包含中间监督和DUpsample上采样策略,该策略可以更好地建立每个像素之间的预测相关性,有助于恢复细节特征。（2）本文又提出了一种结合多尺度上下文和物体语义边界信息的语义分割方法,进一步恢复对象边缘信息。该方法是在DeepLabV3+结构的基础上进行了改进。首先为使网络获取多尺度上下文信息,且捕捉到全局联系,本文基于自注意力机制对ASPP进行了优化,有助于增加卷积核对像素更多近邻区域的提取。为了进一步利用到对象的边界特征,文中又构建了形状感知模块作为独立的分支来处理图像的形状,以捕获对象的边界信息,并通过共享特征层将形状感知模块学习到的语义边界信息传递给语义分割网络,有效提升了语义分割网络的分割精度。本方法在同一深度神经网络框架下同时完成语义边界检测和语义分割两个任务,并定义了新的模型代价函数来完成网络训练。