在人工智能涉及到生活方方面面的今天,对于人工智能相关问题的研究日益增多,其中有一些问题利用深度学习的方法进行解决。例如计算机视觉问题,自然语言处理问题等等,其中对人类生活影响巨大的则是计算机视觉相关技术的应用。从人脸识别的门禁系统的使用,到无人自助式地铁售票的应用,再到无人驾驶、城市大脑等改变人们出行方式的新技术的出现。人工智能中的深度学习研究给人类生活带来极大改变。尽管当前很多研究者在进行深度学习中的计算机视觉的问题相关的研究工作。计算机视觉这一领域依然有很多问题亟待解决。本文的研究工作是集中在计算机视觉领域中的一个基础问题,具体来说是图像分割任务方向。图像分割任务主要分为语义分割、实例分割和全景分割等三个研究方向。本文研究的是图像语义分割方向的问题。由于本文作者在平常的学习中观察到图像语义分割方向已有算法中仍然存在如下两个问题:一、分割结果中的边缘信息不能得到很好的保留。二、分割结果中仍然存在有一些分割不准确的噪音点。针对这两个问题,本文开展了一些文献调研,理论分析以及相关的实验工作,并且提出了一种基于超像素分割算法和图神经网络模型的新的图像语义分割网络模型。本文提出的新图像语义分割网络架构主要包括以下五个部分,基础分割模块、超像素分割模块、特征信息提取模块、图神经网络正则项模块和解码器模块。其中基础分割模块主要是在deeplab v3算法的基础上进行的,而这个算法也可以更换成其他类似的基础分割网络。实验表明对于不同的分割网络,本文算法都是有效的。而超像素分割模块,本文主要采用的是简单线性迭代聚类算法模型,并加以实现的。对于特征信息提取模块,本文采用的是LAB颜色空间和卷积神经网络底层和顶层分别提取特征的方法来提取特征。关于图神经网络模块,本文将图注意力网络作为基础分割网络的正则项加以引入,并达到了一定的效果。解码器模块的设计是经过调研之后加入的,这一设计有效的保障了底层特征信息的保留。本文的算法流程是:图片先进入基础分割网络得到图片的初步分割结果,图片同时也进入超像素分割网络模型,得到超像素分割的结果作为分割网络模型的辅助信息,从而帮助图片建立图结构。继而,再通过特征信息提取模块,提取得到图结构的节点的特征信息。将图结构和图结构的节点特征信息等都输入图注意力网络模型中,使其进行补充运算。最后用解码器模块对于低阶信息加以恢复,得到最终结果。本文除了提出一个基于超像素分割和图神经网络的新的图像语义分割网络模型以外,还针对本文算法中的各种设计及超参数的设置等进行了一系列必要实验,来确定这些具体设计方案和超参数选择。并且给出了在Pascal Context数据集和Pascal VOC 2012数据集上的训练得到的算法效果数据和图片。本文算法在与类似思想的算法进行比较时存在一定的优势。