图像语义分割通过计算机对图像的不同区域进行分割和识别,其本质是通过逐像素分类赋予每个像素不同语义信息的过程。随着现代人工智能技术发展,图像语义分割技术已经在医疗辅助诊断、无人驾驶、遥感图像解译等众多领域取得了广泛应用。可见,图像语义分割具有研究和应用价值。但是,现阶段的语义分割算法存在小尺度目标漏分割、误识别和大尺度目标内部分割不连续、边界分割不清晰的问题。因此,本文开展了基于编解码结构的图像语义分割算法研究,主要工作如下:（1）针对现有图像语义分割算法存在小尺度目标漏分割、误识别的问题,结合HRNet网络模型时刻保持高分辨率表征的设计思想,提出多尺度融合增强的图像语义分割算法。该算法在DeeplabV3+网络模型编码端构建多尺度融合增强网络,以双支路并行的方式提取多尺度特征;在解码端,采用跳跃连接的思想,拼接多尺度融合增强网络和原始网络提取的特征图,充分利用浅层细节信息优化模型的输出,从而提高了模型对小尺度目标的分割能力。在公开数据集Cityscapes和PASCAL VOC 2012上,所提算法明显改善了小尺度目标漏分割、误识别的问题。（2）针对大尺度目标内部分割不连续和边界分割不清晰的问题,提出多注意力机制的图像语义分割算法。算法以DeeplabV3+为基础,根据模型不同层级特征图的特性,构建多级注意力模块以增强特征图中关键位置特征的表达能力。首先,在深层抽象特征的输出端搭建位置注意力模块,增强特征图中细节信息的表达能力;其次,在浅层特征的输出端搭建通道注意力模块,激活有助于浅层信息进行分类表达的有效特征;最后,在解码端构建全局注意力模块,利用深层抽象特征指导前馈网络传递,使网络模型在上采样的过程中恢复更多空间细节信息。在公开数据集Cityscapes和PASCAL VOC 2012上,所提方法较改进前的模型分别提升近4%和2%,分割效果明显提高。（3）为了同时解决大尺度和小尺度目标的分割问题,提出基于多尺度和多注意力机制的图像语义分割算法。在DeeplabV3+编码端构建多尺度融合增强网络和位置注意力模块,增强网络模型提取多尺度特征和识别深层抽象特征的能力;在解码端构建全局注意力模块,通过特征加权聚合的方式,增强关键特征的表达能力。在公开数据集Cityscapes和PASCAL VOC 2012上,对比了融合后算法与其他经典语义分割算法的分割结果,证明了融合算法的有效性。最后,本文算法可用于无人驾驶、室内外场景解析等智能应用,通过计算机自主理解并分析图像,捕获待分割目标的轮廓结构和区域位置,并判断所属类别,为后续的研究任务提供技术支持。