近年来,随着计算机软件技术的迅速发展以及硬件技术的不断提高,图像语义分割技术正在成为机器视觉领域一个十分重要的研究热点,在计算机视觉众多研究领域中发挥着十分重要的作用。图像语义分割本质上是图像像素分割与图像内容理解的结合,其目的是给每个图像像素赋予某个特定类别的语义标签。得益于硬件技术的不断发展、计算能力的不断提升、图像数据的海量井喷,基于深度学习的图像语义分割技术已经广泛应用于影视特效、无人驾驶、智能医疗、安防监控等人工智能领域。图像语义分割效果常常受到颜色、形状、纹理、尺寸等因素的影响,进而可能影响最终的处理效果。传统的图像分割方法常常利用人工设计特征实现像素分类,此类方法不仅存在过程较为复杂、效果不甚鲁棒的问题,而且往往无法赋予每个像素一定的语义信息。由于深度学习方法利用数据训练代替人工设计实现特征表征,从而使得深度学习方法在全局特征提取和上下文信息描述方面具有明显的优势。因此,本文在现有工作的基础上,对图像语义分割开展研究,主要开展了以下几方面的工作:构建基于伪三维残差瓶颈单元的语义图像分割模型。首先,将VGG-16全连接网络替换为伪三维残差神经网络,以期获取精度更高的图像分割结果;然后,通过在跳跃连接块结构中加入1×1×1卷积层,以期进一步优化图像分割结果。构建基于视觉转换器的透明物体语义分割模型。首先,借助卷积神经网络提取图像的局部特征;然后,利用具有多注意力的视觉转换器获得图像的全局特征,更好理解图像上下文信息;最后,融合图像的局部特征和全局特征,提升语义分割效果。为了验证本文所提出网络模型的语义分割效果,在公开图数据集上进行了实验测试和性能评估,并通过与其它经典算法的对比实验,验证了本文所提模型具有良好的分割效果。实现了基于量化模型的透明物体语义分割。为验证模型的实用性和实时性,选用树莓派作为本次实验的硬件平台,同时以Tensor Flow Lite作为本次实验的软件平台。实验结果表明,本文提出的基于视觉转换器的透明物体语义分割算法可有效、实时地分割特定目标。