图像语义分割是一项很重要的计算机视觉任务,它通过对图像中的每个像素点进行预测分类,实现在像素级别上的物体分割。这项技术目前被广泛应用于人们生活的各个领域,比如医疗影像、自动驾驶以及地理信息系统等领域。对图像进行准确分割是深入理解图像的基础,因此对图像语义分割任务的研究具有很大的应用价值。本文是基于生成对抗网络来对图像语义分割的方法展开深入研究,从整合图像的多尺度信息和增加对图像特征提取的数量出发,实现了两种不同的图像语义分割方法。本文的主要工作有如下三点:(1)本文从编码器-解码器结构的语义分割模型出发,结合条件生成对抗网络,设计一种分割-对抗网络模型,将语义分割网络和判别网络结合,分割网络旨在输出分割图像,判别网络通过比较分割图像和真实标记图像的差异,指导分割网络优化模型参数,进一步提升分割精度,两个网络交替训练,形成对抗。实验证明,分割-对抗网络模型进一步提高了分割网络的分割效果。(2)提出一种基于USGAN的图像语义分割方法,首先提出了编码器-解码器语义分割网络USegNet,编码阶段用卷积和池化操作来提取图像的特征信息,解码阶段不仅采用了最大池化索引改进边界划分并减少训练参数，还在编码器和解码器之间加入跳跃连接,将图像的浅层特征和深层特征融合在一起提取多尺度信息。然后将USegNet作为分割网络,与判别网络构成分割-对抗网络,以对抗的方式训练网络。(3)提出一种基于RUGAN的图像语义分割方法,利用U-Net的U形网络结构和残差网络的残差块思想,设计了另一种编码器-解码器语义分割网络ResU-Net,网络能最大程度提取到图像的细节特征并能够级联不同层级的特征,对图像的特征表达更加丰富准确。在此基础上,引入判别网络来进一步优化分割效果,形成基于RUGAN的分割-对抗网络模型。论文提到的两个图像语义分割方法研究都通过在公开数据集上进行实验,达到了预期目的,实验结果表明基于生成对抗网络的图像语义分割方法在精度上有很好的提高。