近年来，城市积水问题日益突显。以智慧城市为背景，对城市实时监控场景下的积水区域进行识别，来实现及时监测上报与预警，对保障城市运行安全与公共卫生良好具有重要意义。现有的城市积水监测方式均通过设置积水点与安装监测装置来实现。这种接触式的方法在实际应用中存在安装维护成本高、定点监测与覆盖范围小、对小面积长期积水区域无法判断等缺点。本文基于深度学习的语义分割技术对城市监控下的积水区域进行精细划分，来实现对城市积水的监测，能有效弥补现有方式的不足，并具有一定的实际应用价值。
　　(1)基于注意力与显著性的语义分割算法研究
　　真实场景下的城市积水具有背景复杂、水域形状不规则、水体纹理及颜色多样等特点。这些影响因素会直接造成语义分割的精度损失，使目标积水区域出现误判、漏判等情况。因此本文提出一种基于注意力与显著性的语义分割算法(WSNet)，主要通过设计空间金字塔注意力模块(SPAM)与全局显著性模块(GSM)来增强对语义信息的理解，以改善对城市积水区域的分割效果。一方面，SPAM通过注意力机制加强对图像上下文信息的理解与对积水轮廓、纹理细节的关注，来提高算法对待分割对象类别的预测能力；另一方面，GSM通过增加目标积水区域特征的显著性，来进一步突出上下文信息，以降低天空、光滑道路镜面反射等外界因素的干扰。本文从视觉效果、平均交并比(MIoU)等评价指标验证算法的有效性。实验结果表明WSNet算法在真实城市积水数据集(W2020)上的MIoU可达86.19%，较原始金字塔池化模块(PPM)具有更高的分割精度及鲁棒性。
　　(2)基于超分辨率重建的语义分割算法研究
　　语义分割算法中特征图的分辨率会随着网络层数的加深而逐渐减小，在进行算法推理时需将其恢复至原始输入图像的大小。目前的研究工作一般采用双线性插值、转置卷积等常见方式对低分辨率特征图进行上采样，这种直接扩大特征图分辨率的方式，会造成细节信息丢失，导致目标对象边缘分割不准确；同时会引入无关信息，增加算法计算量。针对语义分割任务具有像素级别分类的特点，本文提出一种基于超分辨重建的语义分割算法(WSPNet)。其主要通过在WSNet中引入本文设计的超分辨率重建模块(DS),来重建得到具有高质量的高分辨率特征图，从而弥补因图像特征丢失所产生的精度损失。本文在真实城市积水数据集(W2020)上进行多组对比实验，从平均交并比(MIoU)、视觉效果等评价指标验证算法的有效性。实验结果表明WSPNet的MIoU可达87.03%，能进一步提升对城市积水的分割精度。