室外网球场实景图像语义分割,是开发网球场环境中智能化运动服务机器人需要解决的一项关键技术,也是进行特定动态环境中目标识别的算法基础。本文针对现有捡球机器人只能识别网球这类单一目标而无法对场景进行多类目标语义分割的局限,以基于卷积神经网络模型的语义分割方法为研究内容,在具有高光照动态范围、多目标和多尺度典型特征的室外网球场实景图像中开展了高精度语义分割研究工作。主要研究内容如下:1.提出了基于HSV色域的网球场颜色分割模型,研究了色彩阈值分割在室外网球场的分割效果。进行了实验获得分割阈值并分析了颜色阈值分割方法性能和适用范围。2.建立了适用于室外网球场语义分割任务的图像数据集,包含网球、人、场地等9类目标。在Tensorflow深度学习框架上搭建了网球场语义分割模型。利用FCN算法对室外网球场景进行分割实验,分割m IOU精度达49.47%。3.针对FCN对于网球、球拍等小目标和边线分割不精细的问题,提出一种结合Deeplabv3算法的串联空洞卷积神经网络SACNet,该模型利用奇偶混合卷积率弥补了空洞卷积的空间信息损失,同时利用分组卷积减小SACNet的时空复杂度。在自制的网球数据集上测试精度达59.73%,对比现有Deeplabv3模型在测试精度上提高了10.22%。4.建立了适用于Mask R-CNN的前景目标分割数据集,利用Mask R-CNN与SACNet联合匹配模型对网球、球拍、人三类前景目标进行实例分割,结果表明在进行实例分割的同时也提高了前景目标分割精度。在测试集上的分割m IOU精度达89.88%本文对室外网球场图像的语义分割进行研究,建立了室外网球场的语义分割数据集,提出了SACNet模型进行多目标分割,提高了对于小目标和边线的分割精度,再结合Mask R-CNN模型提高了前景目标的分割精度,为网球场服务机器人智能化场景理解和实例级目标辨识提供了有效的方法依据。