近年来,随着深度学习相关技术的发展,神经网络、自注意力算法等结构逐渐被应用在了语义分割的任务中。然而,由于数据分布的不平衡,现有方法仍然不能在节省计算代价的同时,有效提升分割网络的性能。为此,本文在不同的角度上讨论了数据分布的特点,并提出了不同的上下文建模方法:1)讨论了语义分割编码器所提取的不同阶段特征属性的不平衡。神经网络的深层特征更关注于当前图像的环境信息,而浅层网络保存了图像的细节信息。本文设计了一种跨阶段的特征融合框架,可以利用深层的语义信息指导网络对浅层特征进行重建,从而有效提升分割精确度。2)讨论了数据集类别总数和单一图像类别数的不平衡。对于语义分割任务中的某张具体图片而言,其前背景类别往往远少于数据集标注的类别。对此,本文利用先验概率分布和gumbel-trick设计了新型的类别采样方法,可以依据输入图像的分布信息动态选择参与运算的特征,有效的降低了模型的运算代价。3)讨论了数据集中不同类别出现频次的不平衡。数据集中不同的前背景物体,其出现在图像中的频次是不同的。这导致网络对不同类别样本的关注度存在差异。本文设计了基于数据分布的动态存储器,能够使用其他图像上相同类别的信息,辅助当前图像的分类,提升网络对小样本的识别能力。4)讨论了图片中不同类别空间分布的不平衡。在数据集采集的图像中,不同物体的体积、视距等属性存在较大差异,其所占的像素比例存在不平衡。为此本文设计了一种局部特征的增强方法,动态地为每一个空间区域分配不同的类别权重,从而提升了网络对局部信息的理解能力。针对这四种不平衡现象,本文在数据集维度、网络深度、特征维度和空间维度四个方向上设计了不同的上下文建模方法,并提出了新型的语义分割网络模型CCSNet。相对于主流的分割算法,该模型能够使用较小的运算代价,在ADE20K、Pascal-Context和COCO-Stuff164k三个通用语义分割数据集中,取得1.33、0.43、和0.12的平均精确度,以及1.09、0.51和0.18的平均交并比提升。