图像语义分割是一种视觉场景理解任务,目标是预测输入图像中每个像素的类别标签,从而实现在像素级别上的物体分割。语义分割被广泛应用于自动驾驶、机器人技术、医学影像分析和视频监控等领域,因此提升图像语义分割的效果和精度具有重要的理论研究意义和现实应用价值。现有研究表明图像语义分割的精度受到已标注的样本数量以及模型结构设计等因素的影响,当前研究方法在一定程度上均存在依赖大量标记数据和对上下文信息利用不充分等问题。针对上述问题,本论文进行了如下两个方面的研究工作:第一,提出了一种对抗训练方法来强化语义分割模型的分割效果。借鉴生成对抗网络（GAN）的框架结构,构造全卷积的语义分割网络以及判别网络,通过判别网络检测和纠正真实标签与分割图的高阶不一致性,达到提高分割精度的目的。整个语义分割网络通过耦合分割损失和对抗损失进行训练。为了解决语义分割数据集需要大量的人工标注的问题,在对抗学习增强分割结果的基础上,利用判别网络提取分割结果中的可信任区域,生成伪标签,协助网络进行训练,从而实现半监督图像语义分割。第二,提出了一种基于自注意力机制的语义分割模型。为了能够自适应提取上下文信息、捕捉随着网络层次的深入逐渐丢失的空间结构信息,将自注意力机制引入图像语义分割并且与空间金字塔池化模块结合,自适应地根据空间金字塔池化模块提取的不同尺度的特征对象来提取全局上下文信息。为了克服经典注意力模型在提取上下文信息时存在参数量过多的问题,本文使用了十字交叉注意力方法,在提取信息时只考虑水平和垂直两个方向上的信息。通过串联该模块可以做到以更有效的方式从全图像依赖中捕获环境信息。