近几年来,深度学习的发展日新月异,随着全球的科学家和学者们的不断努力,在我们现实生活中已经有越来越多的深度学习项目可以落地并应用到我们生活中。而本论文所研究的语义分割其实严格来算也是一种密集的分类任务。其相当于把图片中每一个像素都进行分类,并最终打上掩码以在宏观上表示具体某类像素集合的类别。而如今语义分割已经被大量地应用到无人驾驶、遥感图像、医学图像等领域当中。但随着语义分割大量被应用,也逐渐在真实场景中浮现出各种问题。如网络无法很好地学习具有复杂特征的物体,导致对复杂物体的分割效果欠佳和网络对于多尺度信息的不敏感导致对不同大小物体的分割效果欠佳等。本文认为解决这两个问题对推进语义分割在实际场景的落地是具有十分重要的意义的。首先,本文从注意力机制入手,通过设计符合场景需求的注意力模块来提高网络对拥有复杂特征的物体的学习能力,其次利用多尺度特征融合结构增强网络对不同尺度物体的识别能力。为了证实方法的有效性,本文将从医学图像分割和街景图像分割两个场景入手,分别设计对应的网络结构。因此本论文研究的重点方向大致分为两点:（1）为了提高网络对复杂物体特征的敏感度,本文在不同的场景中结合了注意力机制,并提出了多输入的注意力模块（MCAM）。该模块尝试用包含了抽象语义信息的高层特征为指南,对网络中包含空间细节性信息的底层特征进行筛选,从而达到抑制无效的空间细节性特征和强调有效的空间细节性特征的目的。在宏观上,这有利于网络识别具有复杂特征的物体。（2）为了增强网络在分割尺度大小不一的物体上的分割能力,本文从跨层融合多尺度信息这方面入手,研究如何融合不同尺度的信息会对识别不同尺度的问题产生符合预期的效果。并对不同的网络结构继续消融实验。并且本文认为针对不同的场景,不应笼统地使用一致的网络,而是应该针对场景的难点进行分析,从而设计不同的网络结构。因此,本文在代表医学图像的食道肿瘤数据集和著名街景数据集Cityspaces上分别设计网络结构,并做了不同的实验。通过实验展示出的结果,发现在具有复杂特征的食道肿瘤数据集中,通道注意力机制的确能很好地提高网络的分割效果,并且结合多层融合不同尺寸的模块后,能进一步地提高性能。而在街景数据集Cityspaces中,通过实验结果,也可以看出融合多尺度特征的网络对提高模型的分割结果是具有明显的有效性的。