图像在人类感知中扮演着重要的角色,是人类感知世界的媒介之一,并且关于图像的研究工作从未停止。近年来,伴随着计算机运算能力的增强,算力限制的瓶颈逐渐放开,深度学习在图像语义分割领域的研究工作越发火热,并且相较于传统的语义分割方法,深度学习方法为分割问题的研究工作带来了重大进展。图像的语义分割任务具备高标准的需求,它的目标是精准识别给定输入图像的每个像素类别,从而得到和原图大小一致的像素级别的分类结果图。从这个定义可以看出,语义分割并不是一个完全独立的研究领域,而是与基本的图像分类息息相关,可以视为是像素级的分类问题。图像像素级别的分类信息不仅仅囊括了像素归属的类别信息,在对像素进行空间坐标标记之后,物体的位置信息同样能够被获取到。从实际应用的角度来说,语义分割技术作为计算机的视觉感知器官,它为医学图像分析、人体解析、卫星图分析乃至自动驾驶等场景理解任务提供了机器自动化解决的可能。为了更好地完成计算机视觉任务,使其能够早日应用到现实场景中,图像语义分割任务的研究是必不可少的一环。本文旨在基于深度学习方法探索图像语义分割这一基础同时又充满挑战性的计算机视觉研究任务。语义分割任务在关注多尺度的特征信息之外,还需要寻找局部信息和全局信息的平衡点。图片中包含的信息多种多样,且根据场景或者物体组合的不同,这些信息又呈现出不同的复杂性,仅凭局部信息去理解像素间的关系十分困难。虽然局部信息对于像素级别的分割预测是十分关键的,但是局部模糊性问题的解决依旧离不开全局上下文信息。局部与全局信息的结合能够更准确的完成分割任务。最近的研究试图整合不同深度的特征信息以提高分割任务的性能,其中一些在特征融合之前对特征进行了强化,却是专注于特征整体的增强,忽略了特征的局部差异性。也就是说,并不是每个特征的所有区域都需要增强。因此,特征的哪些区域应该增强以及如何增强仍是不确定的。除此之外,在实时语义分割任务中,如对实时性要求高的自动驾驶任务,现有高精度网络由于其巨大的计算复杂性难以满足实时性的要求。如何在精度和速度之间取得良好的平衡成为了新的挑战。对于上述的两个问题,本文提出了如下的解决方案:（1）我们提出了一种自适应的特征增强方法,该方法通过对高层特征进行筛选以自适应地增强低层特征的关键区域。并且我们结合该方法设计了自适应特征增强网络,以解决哪些区域的特征应该增强以及如何增强的问题。（2）针对需要权衡精度与速度的实时语义分割任务,我们利用轻量型的网络作为骨干提出了新的聚合结构设计思路并构建了聚合结构网络。除此之外,我们提出了多辅助损失的网络模型训练策略,它能够在不增加测试阶段网络结构复杂度以及计算量的前提下提高网络模型的分割精度。大量的实验表明,我们的方法在常见的语义分割场景数据集上具备良好的效果。