近几年,基于卷积神经网络的深度学习算法在多种计算机视觉任务中获得了非常大的成功,在图像处理领域中扮演着重要的角色。图像分割是计算机视觉领域中重要的研究方向,其旨在像素级标签的监督下将图像中不同目标、区域按照其属性分割出来,并为其分配类别标签。目前,基于深度学习的图像分割算法在自动驾驶,现代图像医学,工业检测等领域都有着重要作用和广泛应用。作为图像分割中重要的研究分支,场景图像分割任务由于其场景图像中的目标多且杂,场景样式多变,是一项具有挑战性的视觉任务。在此基础上,本文围绕基于卷积神经网络的场景图像分割技术展开研究。由于基于卷积神经网络的图像分割算法可以自动获得图像中从浅层、中层到高层的不同层级的语义特征,使得图像分割的精度有了质的提升。然而,传统分割算法仍有复杂背景下的边缘细节的丢失、边界分割精度不高等问题。鉴于此,本文首先在经典的全卷积神经网络的基础上进行修改,提出了融合上下文信息的全卷积神经网络模型。模型以编码-解码结构呈现,其中编码模块中有主干模块和特征融合模块两个部分构成。主干模块即全卷积神经网络用于提取图像不同层次的语义特征,特征融合模块用于将浅层特征与深层特征进行融合使得在编码时有更加丰富的上下文信息,也可以避免反向传播时梯度消失的情况。特征融合模块中使用了膨胀卷积层和残差门结构两个部分,其利用膨胀卷积层保留浅层细节特征,再使用残差门结构将浅层细节特征进行筛选,增强更显著的特征,削弱弱响应的特征。解码模块将卷积部分深层特征通过不断上采样作用于反卷积网络部分。实验结果表明,该模型较之其它方法在PASCAL VOC 2012数据集上分割精度有所提升,且具有更好的细节保持及对目标整体形态的把握。由于场景图像分割广泛应用于自动驾驶、机器人传感等领域,在网络构建与实际应用中,网络复杂度与算法效率都是不可忽视的重要因素。然而现阶段网络为追求更高的分割精度都会采用更深的网络层数以及更大的感受野,这都会减慢神经网络的运算速度,不易于实时分割。鉴于此,本文提出了一种基于多尺度特征融合的轻量化神经网络模型。该模型采用轻量化网络主干和数据依赖型上采样模块以压缩网络参数量和提高网络速度,使用多层主干网络间的特征聚合和位置注意力模块有效保留空间信息和上下文信息,保证模型的分割精度。实验结果证明,该模型在Cityscapes数据集上在保证分割精度的情况下有良好的网络推算速度。