图像语义分割作为图像理解的重要内容,其任务是对图像中的每一个像素进行分类并将不同目标区域分割出来,在自动驾驶、辅助医疗、机器人视觉等领域都有着广泛的应用。深度卷积神经网络由于其突出的特征表达能力被广泛应用于图像语义分割领域,但传统深度卷积神经网络在进行分割时存在部分语义信息丢失,尤其是边界定位精度较低等问题。为此,本文联合注意力机制对各层次特征进行加权融合,充分利用各层次特征信息以提升网络模型分割精度,同时通过研究两种不同的边界优化方法对分割结果进行进一步优化。本文主要的研究成果如下:（1）针对连续卷积池化操作导致部分细节信息丢失的问题,本文设计了一种联合注意力机制的多尺度特征融合的卷积神经网络模型。该模型基于注意力机制将不同层次的多尺度特征进行加权特征融合,以充分利用不同层次特征信息,同时引入扩张卷积避免高倍下采样损失过多的空间位置信息,保证输出特征分辨率大小,最后使用扩张空间金字塔池化模块来聚合不同尺度上下文信息,提升对多尺度目标的分割效果。（2）针对卷积神经网络中卷积操作固有的不变性导致语义分割模型分割结果较为平滑,边界定位精度较低的问题。本文研究对比了两种边界优化技术:基于全连接条件随机场的边界优化方法和基于轮廓检测的卷积神经网络模型Seg Fix,分别从性能和速度两个方面对两种边界优化算法进行对比分析,并在此基础上对本文模型分割结果进行优化。（3）为了验证本文所提模型的性能以及对比分析不同边界优化算法的特点,本文在PASCAL VOC2012数据集和Cityscapes数据集上进行了实验验证。本文模型在两个数据集上的m Io U分别达到了76.1%和70.8%,使用Seg Fix进行边界优化后m Io U分别提升了0.2%和1.6%。与Deeplabv2、PSPNet等其他模型进行对比也获得了较好的结果。