本论文介绍了基于隐式语义推理和多尺度去卷积机制的大规模图像语义分割的全效表征研究。本论文的研究目标是通过开发语义分割相应模型及算法来捕获自然图像中的重要信息,从而构建结构化框架以完成像素点的预测和语义分割。该结构化框架包括三个主要部分:自然图像分割的隐式语义推理,大规模图像语义分割的多尺度去卷积网络以及来源于Youku和YouTube公开资源的视频对象的无监督语义分割。为了克服自然图像分割方法由于分割后的图像区域之间关联性不强所引起的人类感知偏差的不足,本论文提出的隐式语义推理采用一种更加条理性的方式来开发既定自然图像中全局区域和局部像素的特性,此方式避免了之前利用典型的超像素方法进行图像分割的单一性限制,即忽略了局部非相邻区域内像素的相似性。本文所提方法首先对自然图像进行横纵四分均匀切割,再通过设计颜色位置密度聚类算法进行利用切割后区域的数字标注,最后利用联合跨区域和跨尺度势函数的MRF-inspired模型,自动估计分割后的图像区域数目,使得每一块区域表示一个独立的物体,并且区域之间不失连续性,从而完成图像区域的语义分割,使分割效果满足人类的感知需求。上述方法在自然图像规模过大时,其语义分割效果会受到限制,为解决由此引起的算法精确率下降和时间复杂度上升的问题,本论文中提出的多尺度去卷积神经网络通过结合深度神经网络来解决图像的每一个像素点的标签分类问题,目的是在不损失准确率和时间代价的前提下,训练一个去卷积语义分割神经网络,可以同时进行目标检测和语义分割两个联合任务,这种神经网络通过引入多尺度去卷积机制来进行图像特征提取,该机制包含down-scale流和up-scale流,并且该神经网络的多尺度机制相较于多尺度输入方式效果更优。除了图像外,本论文还对当下流行的视频源如Youku和YouTube中的视频对象进行分割。对于视频对象分割,本论文采用了交互和非监督的方法,通过在视频第一帧中绘制简易线条,本文所提出的方法可以自动提取感兴趣的目标对象,从而进行高斯混合模型的标签迭代,算法参数更新和Graph Cut的操作,以此完成视频感兴趣区域的自动语义分割。