如今的自动驾驶、智能安防等各个领域都离不开计算机视觉,而图像分割是计算机视觉领域的一个重要的研究方向。随着深度神经网络技术的发展,基于神经网络的图像语义分割任务迎来了新的飞跃。图像的语义分割是计算机认知图像内容获取图像信息的重要环节,为后续的图像处理环节提供计算机可辨识的信息,其准确度直接影响着后续的图像处理效果。本文基于深度神经网络的框架,对城市街景图像的语义分割任务进行研究。目前的街景图像语义分割任务存在着训练样本不均匀、对小物体的分割不准确、细节部分例如边缘等容易分割出错、监督方式较为单一等问题。基于目前该方向存在的问题,本文从三个方面切入展开。首先,在对图像特征提取环节的研究中,本文提出了一个基于改进残差网络的特征提取网络,以扩大网络的感受野,获取更多语义信息。在残差网络的后端,设计了一个并联式空洞卷积模块,来获取不同尺度的目标的图像特征,为后面的图像特征融合环节做准备。其次,在对图像特征融合环节的研究中,本文提出了一个多重特征关联模块。借助注意力机制的优势,该部分能融合不同像素点和不同特征两个维度的语义信息。然后,在对网络的训练方法上,本文采用的是主损失函数和辅助损失函数相结合的训练方式,引入Focal Loss损失函数来缓解训练样本分布不均匀而带来的问题。除此以外,本文还在Focal Loss损失函数的基础上设计了一个新的损失函数,并对其有效性进行了理论分析。最后,结合本文提出的基于改进残差网络和多重特征关联模块的图像语义分割算法,进行实验验证和对比分析,通过实验验证了本文所提出的算法的可行性和有效性。