语义分割任务的目的是根据输入图像的内容识别出图像中像素点的语义类别。作为智能场景理解的基础,语义分割具有重要的研究意义,现在被广泛应用于自动驾驶和机器人感知等领域。然而,由于现实环境复杂的光照变化和物体间的遮挡,语义分割仍然是一个具有挑战性的问题,仅靠单模态RGB信息难以对复杂场景进行精确分割。近年来,随着深度传感器的出现,人们开始对含有深度信息的RGB-Depth(RGB-D)图像展开研究。RGB图像能够描述物体颜色和纹理之类的外观信息,深度图像能够描述物体的空间几何信息。因此,可以将深度特征作为颜色特征的补充,提高语义分割精度。然而,现有解决方案仍然未能充分利用RGB特征和深度特征之间的互补信息。为了探索更有效的多模态特征融合方法,提升复杂场景的语义分割精度,本文主要进行了以下的研究工作:首先,本文对图像语义分割的研究现状和相关技术进行了概述。具体来说,本文对现有的单模态RGB图像和多模态RGB-D图像语义分割算法的优劣进行了分析,明确现有基于多模态特征融合的RGB-D语义分割方法存在的问题和挑战。同时,本文对卷积神经网络和注意力机制有关方法进行了详细介绍。其次,本文提出一种基于多模态自适应卷积的RGB-D图像语义分割算法。在现有卷积神经网络中,卷积核参数在训练之后通常是固定的,无法根据输入图像的内容自适应调节。本文提出一种多模态自适应卷积操作,将多模态特征的上下文信息嵌入多尺度卷积滤波器中,多模态RGB-D特征通过自适应卷积协同交互,其卷积核参数根据输入的多模态图像动态调整,在卷积运算过程中有效利用多模态特征的上下文信息。自适应卷积核相比传统卷积核更加灵活,可以自适应捕获RGB图像和深度图像的内部变化,有效提升最终的分割精度。最后,为了充分利用RGB特征和深度特征之间的空间互补信息和语义相关信息,提出一种基于注意力感知和语义感知的多模态RGB-D语义分割模型。通过引入注意力感知多模态融合模块和语义感知多模态融合模块,有效地提取并融合多层次的RGB特征和深度特征。其中,注意力感知多模态融合模块设计了一种跨模态注意力机制,RGB特征和深度特征利用互补信息相互指导和优化,提取富含空间位置信息的特征。语义感知多模态融合模块整合语义相关的多模态特征通道,建模多模态特征之间的语义依赖关系,提取更精确的语义特征表示。本文算法有效提升了语义分割的边界精细度和像素分类准确率。