计算机视觉的处理和研究作为一个有价值和意义的课题受到研究者们的广泛关注。在计算机视觉问题中,图像的语义分割技术在自动驾驶汽车、军事武器、人机交互、智慧工地、虚拟现实、智慧生产等领域有着深远的影响,但是深度卷积神经网络的结构也会使得分割任务面对一些问题。一方面,深度神经网络在深层学习高级语义信息的过程中,部分边界轮廓信息和位置信息会丢失。另一方面,对于图像的语义分割的结果,由于特征包含的空间信息不足,这会导致了边界轮廓信息表现不显著,弱纹理,低分辨率等问题。本文就如何解决提高语义分割过程中边界轮廓的准确性相关问题展开研究,本文不仅仅取得了良好的分割精度,而且全尺度模块网络达到了实时分割的实验要求。本文的主要研究成果包含以下两个方面:第一:提出边界嵌入卷积神经网络,并且实现了精准的语义分割结果。由于卷积核的固定结构、卷积核的刚性结构和下采样操作,深度神经网络在提取特征过程中会丢失部分空间信息和位置信息,使得深度神经网络在网络深层的会丢失部分空间信息和位置信息,这导致了分割结果的边界轮廓不显著。因此本研究提出了一种边界嵌入卷积神经网络,该网络由边界嵌入卷积核结构和边界嵌入平均池化结构设计构成。该方法将边界信息作为先验知识嵌入网络中,这种先验知识的嵌入会有效的补充边界信息,同时相较于标准卷积核和标准平均池化结构,边界嵌入卷积核结构和边界嵌入平均池化结构几乎不会引入网络参数。为了验证模型的先进性和高效性,在Cityscapes数据集和Pascal Voc2012数据集都进行了实验论证,并且取得了良好的成绩。第二:对于语义分割边界轮廓信息表现不显著,弱纹理,低分辨率等问题,本文设计出全尺度模块,采用多组空洞卷积串联,使得全尺度模块获得多个不同的感受野,同时为了更好地筛选特征从而控制不同尺度感受野的权重大小,所以本研究又增加了注意力机制。该方法在Pascal Context数据集和ade20k数据集上都取得了较好的性能。此外,全尺度模块还在医学分割数据集ISBI2017进行了实验验证并取得了良好的实验效果,这证明了该模块不仅仅适用于自然图像的语义分割,同样适用于医学图像的分割。虽然深度卷积神经网络在图像分割中有着重要的意义,但是网络运行时间长,难以达到实时的要求,无法满足一些移动端的轻量级要求。本文全尺度模块采用深度可分离卷积,构成轻量级多感受野结构,最后本研究在保证实验基本精度的同时,提高了网络的运行速度,并且达到了实时的分割速度。