在日常生活中,图像语义分割方法被应用在视觉场景理解任务之中,随着社会的飞速发展,计算机性能与硬件性能也日益提高,人们对图像识别算法准确性的要求也不断提高。如何从标记图像中自动获取高质量的特征信息成为当前研究热点。然而,由于无标签图像的尺寸比标记图像大得多,在标记标签信息有限的情况下难以提高深度神经网络的分类性能。于是选择使用半监督图像语义分割算法,因为半监督网络的特点与优势,可以使用部分像素级标签图像与大量的粗略级图像共同组合构成输入的数据集,所以本文利用生成对抗网络研究半监督语义分割问题,具体的研究内容如下:首先,基于编解码生成对抗网络的研究。针对半监督分割问题,利用生成式网络结构解决普遍网络分割都存在的问题,如存在多尺度特征融合不充分以及判别精度不足等问题。本文将改进的编解码器结构融入生成式对抗神经网络之中,主体网络以Deep lab为基础网络,在生成网络结构中加入解码模块形成编解码结构,用来保证小型物体的语义信息,同时在判别网络中也新增了全局平均池化层,通过全局平均池化层来结合网络中的深层信息,极大程度的保留图像中的语义信息。其次,由于系统在处理图像产生输出的过程会受到许多因素的干扰,针对这些干扰因素,进行实验并对网络的整体性能差异进行对比,保留效果最好的实验参数以保证训练方案取得的分割效果最优。在PASCAL VOC 2012数据集上的结果对比图显示本文采用的网络结构所带来的分割精度更准确。总之,在进行语义分割任务时,半监督的网络模型以其独特的优势使得半监督学习成为了分割任务中的重要一环,在实际应用与理论研究中均有深远意义。本文通过对比实验验证了加入编解码器的生成对抗网络结构的半监督分割网络的有效性。