在计算机视觉中,图像分割（为图像中每一个像素进行类别标记的技术）是后续其他研究的基础,所以图像分割效果的好坏会对后续的研究产生影响。基于深度学习的图像语义分割算法面临的主要问题包括:分割场景的复杂性、分割对象的多样性、分割对象空间位置的随机性以及分割模型的精度与计算效率相互制约的矛盾等,本文针对这些问题开展基于深度学习编解码结构的图像语义分割算法研究。本文主要研究工作和贡献如下:（1）对特征提取编码器结构的分析。基于深度学习编解码结构的图像语义分割模型,其编码器对输入图像的特征编码效果会对分割模型的性能产生巨大的影响,因此,本文首先分析了特征编码器的架构与性能,包括高精度的特征编码器VGG-Net、Google Net、Res Net和计算效率优先的Dense Net、Pelee Net,对这些模型的架构和典型的模块进行分析,为本文后续提出编解码架构的图像语义分割模型打下基础。（2）为解决图像语义分割任务中存在的分割场景的复杂性、分割对象的多样性及分割对象空间位置的差异性问题,本文提出一种高精度的基于稠密扩张卷积的双分支多层级语义分割模型。首先采用特征编码器编码输入图像的特征并输出4级不同分辨率的特征图（De1、De2、De3、De4）,其次采用本文的特征精炼模块对De1和De3这两个特征图进行特征精炼处理,特征精炼之后的输出分支经过本文提出的稠密扩张卷积模块（以本文提出的混合扩张卷积模块搭建而成的模块）解码空间位置特征,而De4分支采用金字塔池化模块解码抽象语义特征,最后将这两个分支加权融合输出分割预测结果。最终模型在Celeb AMask-HQ测试集中m Io U精度为74.64%,在Cityscapes测试集中m Io U精度为78.29%,均高于对比方法,证明本文模型具有很好的性能与鲁棒性。（3）为在资源受限制的嵌入式设备上部署图像语义分割模型,就必须减少模型的参数量与运算量,取得精度与推理速度之间的平衡,本文提出一种基于Res Net18的平行效率语义分割模型。首先使用轻量级的主干网络Res Net18对输入图像进行特征编码,产生4级特征图（Fe1、2、3、4）,其次使用本文提出的一级解码器强化浅层的空间位置特征图Fe1、Fe2和Fe3,使用金字塔池化模块强化抽象语义特征图Fe4;接着将上述强化特征表达后的特征图上采样进行元素级求和,再次使用本文提出的二级解码器处理逐级求和后的特征图,进行空间特征与抽象语义特征的融合,完成预测输出。最终模型在Cityscapes测试集中m Io U精度为73.02%,模型参数量为14.2M,推理一张2048x1024分辨率的图像耗时48ms,精度均高于对比的效率模型,并且模型的参数量和运算量最少,证明本文模型取得分割精度与计算效率之间的平衡。