全卷积神经网络是在卷积神经网络的基础上将最后的全连接层换成同维度的1*1的卷积层,再辅以反卷积和上采样层构成的。通过全卷积神经网络可以完成图像的语义分割。图像的语义分割是指从视觉层出发通过一定的手段将图像的对象层提取出来,通过对视觉层和对象层的综合,得到图像的概念层信息。即图像的语义信息。课题系统研究了卷积神经网络的基本理论,对图像语义分割的概念进行了介绍,进而引出了全卷积神经网络,之后以全卷积神经网络FCN为研究对象,对全卷积神经网络从结构到训练进行了系统探究。全卷积神经网络的训练需要借助深度学习技术,而深度学习实践中深度学习框架是至关重要的,课题选择谷歌开源的深度学习框架caffe作为平台,VOC2012为数据集,对FCN进行了训练,训练得到的模型MIOU值达到了59.65%。为了使训练对特定的场景更有针对性,在voc2012数据集的基础上加入了自制数据集,对FCN进行了二次训练,经过训练,针对特定场景的MIOU值达到了62%。此外,还对FCN的衍生版U-net和SegNet进行了介绍,详细介绍了U-net和SegNet的结构。U-net主要针对小样本量的深度学习任务,SegNet在自动驾驶和智能机器人领域应用最为广泛。最后,重点分析了FCN的训练过程。对训练过程的各个阶段进行了可视化分析,通过对卷积核、训练的中间结果进行可视化,形象地展示了利用FCN进行图像语义分割的详细过程,使课题的研究更加透彻。主要工作如下:1)在结构方面采用了FCN全卷积神经网络,该全卷积神经网络结构卷积部分采用VGG,上采样部分采用多级采样,最大限度地提升分类精确率。2)数据集方面,针对特定的应用场景,采用公共数据集和自制数据集相结合的手段,按照公共数据集的格式处理自己采集的原始图片,最后将处理好的原始图片加入到公共数据集中,从而使得公共数据集对某个场景的适用性更强。