在计算机视觉中,图像分割技术是所有其它类别的图像处理方法的基础前提。图像分割技术的优劣将对后续处理的结果和效率将产生重大影响。近年来,神经网络系统的发展具有革命性的进步,神经网络系统的功能和对于信息的提取能力也在不断提高,从而基于深度学习的图像分割技术也得到发展。但如果想在众多领域运用基于深度学习的图像分割技术会面临很多的困难和挑战,这其中主要包括图像信息的冗杂性、特定区域的不确定性、目标区域与背景区域之间的相似性、被处理图像信息的噪声干扰过大等诸多难点。本文简要论述了当今基于深度学习的图像分割算法的研究现状,针对图像信息冗杂性强,目标区域与背景部分图像难以划分等因素,从而设计了基于全卷积神经网络衍生出的U-net算法再加以空洞卷积进行计算。本文创新点以及研究内容主要包括以下方面:第一,在一个典型的U-net基础上,提出了一个连接U-Net和空洞卷积的新网络模式,并将图像信息输入到编码器中进行编码,提取有用信息。第二,将与VGG有着相同特征和方法的卷积进行应用,并将已经经过编码处理的信息放入到设计的多层空洞卷积里面进行特征的提取,设计多层空洞卷积的主要目的在于能够从不同的维度提取特征,并将提取到的特征进行融合再处理。第三,将处理后的信息进行空洞卷积,分离不同特征,再将信息进行解码,将信息输入解码器当中,充分利用之前的卷积结构所提取出的各层次信息来进行解码操作。将这种结构的新型网络模型称为结合空洞卷积的Unet网络（Dilated Convolution Unet,DC-Unet）。在整个实验中要注意DC-Unet在实际应用中的分割效果,本文测试了两组开放分区数据集。与其他传统的图像分割算法相比,该网络模型具有更好、更准确的分割效果。在数据集试验中,领先对比的Unet模型以及Seg Net模型至少5个百分点。