图像语义分割技术作为计算机视觉发展道路上的热门,它拥有着开阔的发展前景与应用价值。图像语义分割起步于上世纪60年代,当时研究人员提出了多种图像语义分割的算法。但是这些传统的语义分割算法只能通过浅层特征对简单的图像进行分割,并且分割出的图像存在着主观性强、准确度低等问题。而借助深度学习的算法能够做到对图像中每一个像素点进行预测分类,这大大增强了语义分割算法的准确度。本文基于深度学习方法,设计出了两种能够抓取不同特征并能融合多特征信息的抓取方式,本文重要工作如下:(1)本文为解决神经网络不能充分利用细节信息而影响到分割结果精度这个问题进行改进。首先根据了集成思想提出了将多特征融合与神经网络相结合的想法,之后先对现有的语义分割常用的网络和关键技术的进行深度剖析,提出可行性改进点。(2)本文提出一种利用Res Net网络的特点所改进的多路径残差块,在残差块中叠加小尺寸的卷积块并且加入残差分支。使得改进后的残差算法可以改善空间细节能够将细节信息更好地利用。(3)本文提出了并联空洞卷积来抓取多尺度特征信息。与残差算法不同的是不再叠加卷积块。利用并行空洞卷积拥有较大感受野的特点,来更有效地抓取更多的上下文信息。最后将两种改进方法在Cam Vid数据集和Cityscapes数据上进行实验验证,并且将分割出的结果与其他网络进行比较,来验证网络的有效性。