图像语义分割旨在根据输入的图像,对图像中的每个像素按照图像中表达语义含义的不同进行分类。在实际应用中,分割精度和计算效率都是要考虑的重要性能指标。本文重点研究了如何在保证图像分割精度的情况下尽可能的提升算法的计算效率。本文提出了多尺度级联网络,能够在保证较高分割精度的情况下大幅提升算法计算效率,相关工作如下:首先,针对复杂背景的图像语义分割问题,提出了一种融合空洞卷积算法和金字塔池化算法的主语义神经网络,提升网络的场景解析能力。通过金字塔池化结构,主语义网络能够更好的捕获不同尺度的目标,提升网络的全局理解能力。其次,针对当前深度神经网络图像语义分割算法图像计算时间长的问题,提出了多尺度级联网络快速图像语义分割算法。我们构建了编码器-解码器结构的多尺度级联网络,将图像尺度变化单元融入网络,让低分辨率图像通过编码器,高分辨率图像提供细节信息。通过融合高低分辨率图像特征图,我们的算法在保证较高分割精度的同时大幅提升了计算效率。最后,在Cityspaces、ADE20K等图像语义分割数据集上与经典算法的对比试验表明,本文提出的方法在分割精度上不弱于经典算法,在计算效率上则大幅领先经典算法,提供了计算效率更优的图像语义分割结果。