图像语义分割一直是计算机视觉领域研究的热点,卷积神经网络因为其强大的学习能力,已经在语义分割任务中取得了显著的效果。本文对现有基于卷积神经网络的图像语义分割算法做了深入的研究与分析,发现综合利用存在于卷积网络深层以及浅层的特征信息能够显著提高分割效果。因此本文从有效利用浅层次的视觉特征和深层次的语义特征的角度出发,以利用卷积神经网络的各层级特征图提升图像分割质量为目的,提出了一种融合多层级特征信息的图像语义分割方法,针对该方法,开展了以下几个方面的研究工作:1、基于DeepLab V3-plus网络模型做深入的分析,对其中空洞空间金字塔池化模块进行转变,将模块中多分支提取同一特征图的方式转变为多分支提取多层级特征图的形式,形成多层级特征融合模块,实现多尺度特征信息的并行提取和融合。同时,添加全局平均池化模块,为多层级特征融合模块补充更多的全局上下文信息,实现模型的全局特征优化,提升模型对目标对象的识别能力,使深层特征对图像的全局表达能力变得更强。2、通过跨层式特征融合方式不断迭代深层特征来丰富低级视觉信息,从而使各层路径能生成更密集的特征图。深层与浅层特征信息通过迭代的方式在学习过程中相互刺激,使得特征图中对分割有利的信息更有效的利用。并且通过探究不同的扩张率、不同的特征图通道数、不同的全局平均池化操作,以及不同的跨层式特征融合方式对分割结果的影响,找到最合适的方案,确定出分割能力最优的模型结构。将本文的优化模型与其他主流方法进行对比实验,实验结果表明本文方法能够有效利用多层级的特征信息实现图像语义分割的目的。