在海量的视觉数据中,人体是最常见和最重要的目标之一,准确地分析人体目标是理解这些以人为中心视觉数据的基础。人体语义分割是一项具有挑战的人体分析任务,属于通用语义分割的子任务,旨在将人体分割成若干个语义一致的连续区域。人体语义分割的结果不但直接提供了人体结构信息,还可以用于辅助人体相关的下游任务,例如人体姿态估计和行人身份再识别等。近年来,基于卷积神经网络的深度学习方法逐渐兴起,促进了人体语义分割技术的快速发展。但是,在一些复杂场景下实现高精度的人体语义分割却面临很多挑战（例如分辨率和标签问题）,限制了人体语义分割的应用推广。为此,本文针对现存挑战提出了四种具有针对性的解决方案,具体研究内容如下所示:（1）针对图像分辨率过低的问题,提出了一种基于先验知识引导的低分辨率人体语义分割方法。提出方法包含人体图像超分辨率模块和人体语义分割模块。在人体图像超分辨率模块,首先设计了一种基于空洞卷积的轻量化多尺度块,然后,构建了包含图像重建分支和先验估计分支的轻量化卷积神经网络。在图像重建分支,从不同的感受野上提取多尺度特征,为低分辨到高分辨的像素映射提供丰富的上下文信息。在先验估计分支,分别将估计的人体分割图和非下采样剪切波子带作为全局形状和局部纹理先验知识,可以有效提升局部细节的重建质量。实验结果表明,与现存方法相比,提出人体图像超分辨率模块在仅用1/8参数量的情况下,重建出了更高质量的高分辨率人体图像。此外,提出的人体语义分割模块显著地提高了低分辨率人体图像的语义分割精度。（2）针对特征分辨率不充分的问题,提出了一种基于混合分辨率网络和辅助任务的人体语义分割方法。首先,搭建了一种混合分辨率网络,可以提升特征表示的判别能力。其次,构建了包含多个阶段的双任务级联框架,每个阶段通过边缘检测和语义分割特征学习出交互信息,为下一阶段双任务优化提供显式的指导。最后,设计了一种边缘引导的区域互信息熵损失函数,利用边缘检测结果隐式地保持了人体边缘附近预测结果和真实标签的高阶一致性。实验结果表明,提出的混合分辨率网络在引入较少参数量的情况下使人体语义分割精度得到显著的提升。在此基础上,引入边缘检测作为辅助任务又进一步地提高了分割精度,与基准方法相比,在平均重叠度指标上获得了3.42%的提升。（3）针对高质量标签稀缺问题,提出了一种基于抗噪声混合学习的半监督人体语义分割方法。首先,搭建了一种用于人体语义分割的层次信息传递网络,利用人体不同结构间相互关系提升解析的推理能力。接着,利用少量标注数据训练人体语义分割网络,训练好的模型不但可以给未标注图像分配伪标签,还可以根据预测概率的分布识别出伪标签上的噪声。最后,结合积极学习和消极学习提出了一种抗噪声的混合学习方法,通过降低噪声带来的负面影响更加有效地利用伪标签。实验结果表明,提出的层次信息传递网络在全监督设置下实现了最佳的人体语义分割精度。此外,与现存的半监督方法相比,提出的抗噪声混合学习方法在平均重叠度指标上获得了4.47%的提升。（4）为了缓解对真实数据昂贵标签的依赖,提出了一种基于潜在域和元学习的域适应语义分割方法,更好地使通过合成数据训练的模型适应到真实场景中的数据。首先,通过风格迁移模型生成潜在域图像,这些图像和虚拟（源域）图像具有相同的语义内容,并且和真实（目标域）图像具有相似的风格表观。然后,搭建了一种包含多个域配对的域适应框架,将潜在域作为连接源域到目标域间知识传递的桥梁,降低了域适应过程知识传递的难度。最后,通过元学习策略优化模型,从源域和潜在域配对中学习出元知识,用于指导模型更好地从源域虚拟数据适应到目标域数据。通过标准数据集上的评估发现,提出方法在人体语义分割以及更通用的语义分割任务上均实现了最佳的分割精度。通过模型分析结果看出,提出的元学习框架可以更好地利用潜在域数据来提升模型泛化能力。