作为构建人工智能视觉系统的重要部分,计算机视觉领域一直广受研究学者的关注。而图像语义分割作为计算机视觉领域中关于图像理解的关键性技术,通过给图像中每个像素分配一个语义类别标签来分割图像,其研究成果被应用于诸多领域,包括:汽车自动驾驶中环境场景分割、医学检测中器官图像分割和国防安全中遥感影像分割等。近几年来,深度学习大规模的应用使得深度卷积神经网络(Deep Convolutional Neural Network,DCNN)在计算机视觉领域中取得了巨大的成功,然而,现有基于卷积神经网络的图像语义分割方法仍存在丢失细节信息以及上下文信息的问题。本文基于现有的卷积神经网络图像语义分割方法的研究与分析,并且充分考虑了空洞卷积在提高网络感受野上做出的贡献,提出了一种基于编解码结构和条件随机场后处理方式的改进图像语义分割方法。首先,编码器利用密集空洞空间金字塔池化结构提取在更大感受野上的多尺度上下文特征信息用以捕获高级语义信息。然后,解码器利用跳跃连接融合低级像素细节信息与高级语义信息,并对得到的信息使用密集上采样卷积精确恢复分割边界。最后,利用全连接条件随机场作为后处理算法进一步提升图像的边缘分割精度,使得整体图像的分割效果得到加强。为了验证本文设计的图像语义分割改进方法的有效性,将本文提出的改进算法与当前先进的图像语义分割算法模型在基准数据集PASCAL VOC 2012上进行实验对比。实验数据表明,相比其他三种分割方法,本文提出的方法在三个公认的图像语义分割评价指标上均取得了最好的成绩,在像素识别准确率和物体边界分割精确度上都有所提升。实验结果有力的证明了本文提出的改进方法不仅能够捕获图像的多尺度高级语义信息,并且能够有效的利用图像低级细节信息,同时对特殊场景的图像分割具有较强的鲁棒性。实验证明,本文设计的基于编解码结构和条件随机场的分割方法有效的提高了图像分割的准确率。