图像语义分割越来越受到计算机视觉和机器学习研究人员的关注,不断增长的应用需求都要准确而有效的分割机制,语义分割在各个领域也有广泛的应用。基于深度神经网络的语义分割模型设计通常围绕着增强细节信息和降低语义信息损失展开,不断提升分割精度和速度仍然是现阶段主要解决的问题。本文的主要工作是基于深度神经网络深入展开语义分割技术的研究,针对提高语义分割精度和速度的问题,分别设计了侧重两方面的语义分割模型。在提高精度方面,本文针对分割结果边缘粗糙,丢失部分分割像素点等问题设计了Ince-DRes Aspp Net模型,该模型为了增强网络的表征能力,在模型编码器的特征提取部分和特征融合部分引入Dense的密集卷积思想,分别构建Ince-DRes密集分离卷积结构和基于互质因子的D-Aspp密集空洞卷积结构。新模型不仅可以在特征复用基础上扩宽通道数探索新的特征,还可以结合多尺度的特征增大感受野、采集更密集的像素点、加强上下文语义信息联系。模型Ince-DRes Aspp Net在数据集PASCAL VOC 2012和数据集City Scapes上进行了实验,实验结果表明该模型在m Io U指标上分别达到了83.3%和78.1%的分割精度,且比基模型同等训练条件下的精度分别提高2.7%和3.6%。同时,为了降低语义信息损失本文进一步改进单一解码器为多支路解码器结构,结合低中高不同层级的特征信息设计了Ince-DRes Aspp-Decoder模型,该模型在PASCAL VOC 2012和City Scapes数据集上的m Io U指标上分别达到了83.7%和78.8%,分割精度较先前又提高了0.4%和0.7%。在提高速度方面,针对分割精度提升,模型参数量和计算量升高,分割效率降低的问题,本文将知识蒸馏方法应用到语义分割技术中设计了Teacher-Student实时语义分割模型。该模型将Ince-DRes Aspp-Decoder作为Teacher网络,抽取其中的部分层作为Student网络,通过像素逐点蒸馏、像素点成对蒸馏、整体像素蒸馏方法构建Teacher-Student实时语义分割模型。该模型中的Student网络较Teacher网络,空间复杂度降低63.86M,时间复杂度降低49.59B,分割速度提高2.35sample/sec。在Teacher网络的指导下,Student网络在City Scapes数据集m Io U指标下分割精度为73.7%,较原轻量级网络Res Net18(1.0)的精度提高0.6%,同时分割性能还超过其他轻量级实时语义分割网络。