图像语义分割是计算机视觉领域的主要任务之一,其目的是对图像中的每个像素点进行分类,预测像素点对应的语义标签。随着深度学习研究的不断深入,基于卷积神经网络的语义分割算法通过多层级联的复杂结构直接从图像中提取更具有表达能力的目标特征信息,提高了分割的精度。为了更有效提取图像的特征信息以增强分割效果,本文基于深度学习技术,从高效利用卷积神经网络各层级特征信息的角度出发,对多层特征融合的语义分割算法进行研究,主要工作如下:首先,提出一种基于金字塔池化的多层特征融合语义分割方法DSPN,该方法利用卷积神经网络提取到的高分辨率浅层特征能够保留更多的局部信息和高语义信息深层特征有利于准确分类的特点,有效解决特征图在多次下采样过程中由于细节信息丢失而导致的分割精度受损问题。DSPN模型采用轻量级的网络Mobile Net V2作为基础网络进行特征提取,将金字塔池化结构作为编码网络的最后一层,用来提取图像的全局上下文信息。在解码阶段将深层特征不断上采样并逐层与对应尺寸的浅层语义特征融合,有效的结合了网络中深层语义特征和浅层局部特征来提升分割的精度。其次,本文继续对DSPN进行改进,提出了基于金字塔池化和混合注意力机制的语义分割方法A-DSPN。该方法引入了混合注意力机制,结合通道注意力和空间注意力为特征图的不同部分分配权重,增强特征的表达,提高对特征的全局感知能力。同时,在训练过程中添加了辅助损失函数来优化学习过程,保证网络稳定的收敛和提升网络的性能。最后,分别在两个公开数据集Cam Vid和PASCAL VOC 2012上对本文提出的方法进行验证与评测,实验结果表明,本文提出的分割方法在减少模型参数量的同时能有效提升网络的分割性能。