一直以来图像语义分割都是计算机视觉领域中的一个重要研究热点,在图像理解中有着举足轻重的作用。本文对基于卷积神经网络的图像分割方法展开深入研究,针对图像场景目标存在部分遮挡、光照强度不均匀以及背景干扰等影响分割结果的问题,提出了三种图像语义分割模型。（1）针对全卷积网络对图像中尺寸较大目标分割不完整的问题,提出了基于上下文情景结构的图像语义分割方法。采用空洞卷积替代全卷积网络中的部分池化层,在不损失更多细节信息的同时还能保持卷积网络感受野的增加;其次,引入了基于上下文情景结构模块,采用大尺度卷积提取图像的全局特征;并且使用基于残差模块的多尺度空洞卷积,以获取不同尺度的目标信息。与全卷积网络的分割结果相比,基于上下文情景结构的图像语义分割模型在PASCAL VOC2012数据集上的准确率提高了4.37%。（2）针对实际场景中图像经常受到光照强度的影响,导致目标物体表面纹理信息和颜色信息的丢失,从而很难获得理想分割结果的问题,提出了基于多尺度特征融合的语义分割模型。采用了基于多尺度特征融合的空洞空间金字塔池化模块,将不同分支的特征进行密集连接,让每一个分支的特征都可以接收到不同尺度的语义信息,以获取包含更丰富的高层语义特征;其次,在解码器中还加入了多层深度卷积神经网络提取的低层特征,通过充分融合高层特征和低层特征,可以有效提高图像分割精度。与Deep Lab v3模型的分割结果相比,基于多尺度特征融合的语义分割模型在PASCAL VOC2012数据集上的准确率提高了2.82%,在ADE20K数据集上的准确率提高了1.12%。（3）对于实际场景中图像环境较为复杂,包含的目标物体种类较多并且大小不一,容易造成不同程度的过分割和欠分割问题,提出了基于特征切分和注意力机制的图像语义分割模型。在低层特征中引入了特征切分模块,使用不同大小的卷积核来提取不同尺度的特征,再通过通道拼接的方式将不同尺度特征进行融合,得到包含不同尺度信息的特征;此外,提出一种基于注意力机制的解码器模块,充分融合了高层特征和低层特征,突出重要特征信息,抑制其他无用的信息,从而得到最终的分割结果。与Deep Lab v3+的分割结果相比,基于特征切分和注意力机制的图像语义分割模型在公开数据集PASCAL VOC2012和ADE20K上的分割结果分别提升了1.43%和0.78%。