近年来,随着计算机视觉领域的飞速发展,语义分割技术在工业生产中发挥着越来越重要的作用,同时也广泛应用于日常生活中的各个领域。语义分割技术为企业提高生产效率、实现工业生产智能化以在市场竞争中取得更高竞争力提供了可能。然而,语义分割网络应用广泛的同时也面临着一些较难解决的问题。全监督语义分割网络在训练时需要手工标注与样本相对应的标签,带来了高昂的的人力与时间成本,严重制约了语义分割网络的发展与应用。因此,减少手工标注成本的同时提升语义分割效果对语义分割网络的快速布署和应用推广具有重要意义。针对特定工业场景中的石墨电极钢印字符分割与自动驾驶技术中的城市街景分割时出现的标签制作困难、人工标注费时费力等问题,本文提出一种面向样本扩充的新型风格迁移网络Cycle GAN-AD。该网络从数据样本角度出发,减少人工标注的同时提升语义分割精度,对于未来语义分割网络的广泛应用具有重要意义。从样本扩充的角度看,可将风格迁移得到的自带标签的模拟图片与真实图片一起构造数据集,改善全监督语义分割网络的分割效果,即使在仅具备少量真实图片标签情况下,利用模拟图片风格迁移生成的图片进行训练也能保证语义分割的精度;从无监督语义分割的角度看,可将风格迁移得到的自带标签的模拟图片单独构造数据集,实现了无监督语义分割。现将主要开展的研究工作简述如下:（1）提出了一种基于图像风格迁移的样本扩充方法。将自带标签的计算机建模图像作为源域数据,摄像机采集的真实图像作为目标域数据。通过循环式生成对抗网络的风格迁移训练,将计算机建模图像风格迁移为逼近真实图像分布的模拟图像。具有标签的模拟图像可作为全监督语义分割网络的训练样本,实现了样本扩充。（2）实现了一种改进的风格迁移网络Cycle GAN-AD。以Cycle GAN为基础,在生成器中添加了通道注意力机制,通道注意力机制主要由最大池化层、平均池化层与全卷积网络层构成,网络训练过程中通过提取图片中的有效信息,提升了风格迁移结果。使用密集连接卷积网络Dense Net代替Cycle GAN中的残差网络Res Net。Dense Net中,每一层都由前面几层相加构成,网络层之间连接更为紧密,保证原始图片的细节不因卷积网络层太深而被破坏。改进判别器为马尔可夫判别器,提升判别器的判别能力。分别在马迁移成为斑马、模拟样本迁移成为石墨电极、GTA5游戏图像迁移成为城市街景三组数据集中进行实验。验证改进网络生成图像质量优于Cycle GAN。（3）在石墨电极与城市街景数据集中进行语义分割实验。选用U-Net与Deep Lab v3+作为语义分割网络。模拟图像风格迁移生成图像可单独作为语义分割数据集进行实验,也可以与真实样本数据集一同作为训练集实现样本扩充实验。真实图像测试集进行测试,分析风格迁移生成图像对语义分割结果的影响。实验结果表明,采用Cycle GAN-AD网络生成图像进行样本扩充后,其分割效果得到显著提升,石墨电极钢印字符分割的MIo U值最高升至82.60,城市街景分割的MIo U增至46.90。可见,本课题提出的样本扩充方法有希望在显著减少人工标注工作量的同时,获得高质量的训练样本,更有利于将语义分割等算法推广应用于工业生产、生活过程中,提升效率。