人体语义分割是一种精细的语义分割任务,其目的是在像素级尺度上识别人类图像的组成部分（如身体部位和衣服）。理解人类图像的内容,对电子商务、人机交互、图像编辑和虚拟现实等一些潜在的应用很有应用价值。目前,随着基于语义分割的全卷积神经网络的发展,人体语义分割取得了重大进展。人体语义分割与一般的图像分割相比,其难点主要有以下几个方面:首先,人体语义分割在实例场景下的数据比较复杂,涉及到多种场景,例如多人或者人在做出一些复杂动作的时候,都会影响到训练的准确率;其次,人体语义分割是一项十分精细的分割任务,这导致了在分割时它的语义边界可能会出现边界比较模糊的情况,这也增大了人体语义分割的难度。为了适应日益增长的人体语义分割的工程应用,用于分析全卷积网络的语义分割研究日趋活跃。本文以真实场景下的人体语义分割为研究课题,以深度学习为方法,主要研究内容分为以下部分:基于全卷积网络与编码器解码器结构的人体语义分割。作为语义分割这一领域最为重中之重的网络结构,全卷积网络解决了传统的卷积神经网络在分割方法上的不足之处。本文基于全卷积网络本身的转置卷积和跳级结构的优点,参考SegNet设计了编码器解码器网络对全卷积网络进行优化,通过最大池化保持了平移不变性,实现了较好的鲁棒性。通过实验,本文证明了具有编码器解码器结构的全卷积网络比起一般基于卷积神经网络的图像分割方法有巨大的优势。基于上下文知识整合的人体语义分割研究。针对全卷积网络存在的结果不够精细和缺乏空间一致性的两个缺点,本文使用了基于上下文知识整合的方法进行优化。本文主要使用了条件随机场,扩张卷积两种方法对网络进行多尺度优化。在传统的语义分割模型上使用空洞空间卷积池化进行了改进,能更加有效地捕捉到多尺度信息。本文的实验结果表明,在不同数据集上的人体语义图像分割基准测试中,本文所提出的模型比其他版本的训练网络有了明显的改善。