图像的语义分割是计算机视觉领域的经典任务之一。在深度学习被各国学者深入研究的今日,语义分割在很多应用领域的应用都有了突破性的进展。在图像分割的研究领域,由于对分割结果空间精度要求越来越高,对于特征融合方面和对分割结果优化方面的研究一直在进行当中。论文中设计了一种可以适应于多种分割任务并具高度特征融合的网络架构,以及针对边缘部分设计了可以完全融入深度学习网络的边缘优化方法。在实验中通过不同的评价指标与目前主流方法的对比中证明了本课题设计的模型具有一定的优势。主要的分析研究与工作内容如下:在论文中对影响分割精度的信息做了深入的学习与研究,设计了一种能让不同分辨率表征进行融合的特征提取方式。这种设计可以将浅层的简单特征与深层的抽象特征结合得更为紧密,特征包含的信息更加全面,从而得到比普通网络更为精确的结果。论文还研究了如何设计分割网络,使网络本身能够选择合适的深度。本文提出的模型从不同深度的特征图进行上采样,并与深度监督模块进行组合。通过引入深度监督机制,对上采样的多个特征图进行权重的分配。经实验在面对不同任务时都取得了较好的效果,并且使得网络在对不同数据集的分割任务时具有更高的自适应性。基于当前边缘优化理论和方法,在文中设计了两种关于边缘的优化方案。以往大部分的网络优化方法都是作为一种后处理方法加入到分割网络之后,而非融入网络结构当中得到一个端到端的模型。本论文中设计的方案包含通过设计损失函数来加入边缘信息的方法;还包含通过对边缘进行提取并将提取的边缘作为新的分类,利用类别间的上下文语义信息优化目标类别分割结果的方法,有效减少噪点对结果的影响。实验使用了医疗影像数据集和场景分割数据集,在对目标分割精准度和模型复杂度方面与其他优秀模型做了对比,验证了论文所提出的模型的优劣性和优化策略的有效性。