图像的语义分割是图像理解的基石,近年来随着深度学习的飞速发展,使用深度学习的图像语义分割技术成为计算机视觉领域中备受关注的研究课题。卷积神经网络是重要的深度学习方法,近年来在图像语义分割任务中表现优异。随着RGB-D图像摄取设备的普及,越来越多的图像分析任务中加入了深度信息。因此本文介绍一种基于卷积神经网络的RGB-D图像语义分割方法,并在此基础上进行改进,主要工作如下:(1)分析了基于卷积神经网络融合颜色和深度信息的图像语义分割方法,同时研究了此方法中颜色信息和深度信息的融合原理和两种融合方式。该对称的编码解码式网络模型将两种信息的优势相结合,在一定程度上解决了原语义分割网络模型不能充分利用图像颜色和深度信息的问题。(2)针对卷积神经网络中卷积和下上采样等计算导致分割时边缘不清,分割不精确的问题,本文提出使用全连接条件随机场对RGB-D语义分割网络模型进行改进,其中全连接条件随机场的一元势函数使用RGB-D语义分割网络模型的输出进行计算,全连接条件随机场的二元势函数使用原始输入RGB图像计算,然后将两者结合得出精细的语义分割结果,进一步解决模型不能充分利用像素间关系,分割边界不清等问题。(3)针对上述网络模型,在SUN RGB-D数据集中的NYU Depth数据集中进行实验,完成数据预处理和网络模型的训练,随后以训练好的模型进行图片预测实验。最后进行多组对比,实验表明,相较于其他网络模型,该网络模型语义分割准确率均有明显的提高;本文提出的改进方法相较于基础的RGB-D语义分割方法,能够提高语义分割准确率,说明本文改进算法是可行性。