近年来,图像语义分割已经成为计算机视觉领域中最活跃的任务之一,其目标是将图像像素分为具有语义意义的区域。随着计算机硬件的发展,机器学习算法逐渐被深度学习方法所取代,而深度学习特别是指使用深度卷积神经网络的方法,已经在语义分割任务中取得了巨大的成功。图像语义分割通常会受到色彩、纹理和形状的影响,从而导致分割的结果大打折扣。传统方法利用人工构造特征去解决像素分类问题,效果很差。而深度学习采用数据训练替代人工构造,使得精度得到很大的提高。在这一背景下,本文利用深度学习框架MatConvNet和TensorFlow进行像素分类、语义分割任务,主要工作如下:1.本文提出的第一种方法首先将FCN的VGG-16用ResNet-101替代,以便获得更高的精度;然后在conv3和conv4采用跳跃连接结构对上采样结果进行优化;最后以8倍上采样获得最终分割结果。2.本文提出的第二种方法首先将多尺度密集网络的DB模块引向WDB模块,使得网络可以在不增加参数的条件下增加网络深度;然后分别在编码器与解码器部分加入TD和TU操作,以改善WDB和DB模块;最后在输出之前结合FC-CRF使得语义分割能够捕获复杂的对象边界。3.参数的设置决定算法是否高效,本文对各个参数的设定都做了详细的说明,从而使得本文算法达到最高效。4.为了验证本文方法的可行性与有效性,分别在两种不同的数据集上进行训练、测试与验证,并与其他经典算法做对比,以显示本文方法的优越性。