随着世界科学的日益发展,人工智能技术在图像检测与分割方面的研究受到越来越多研究学者的关注,其中语义分割是图像检测与分割的一个重要分支,其已在日常生活中得到了广泛的应用。其中DeepLab网络是一种非常有效的深度卷积语义分割网络模型,它对目标图片能较好地进行识别分割,但该网络仍存在一些不足。本文针对如何进一步提高DeepLab网络模型性能展开研究,本文主要工作与创新点描述如下:（1）为了增加网络模型的可解释性以及提高模型的分割效果,本文提出了一种新的注意力机制模块——ECAID（Effical Channel Attention In Dilated）模块,并给出了基于ECAID模块的DeepLab网络模型。在该模型中,将ECAID模块引入到了DeepLab网络的解码结构中,从而提高DeepLab网络训练学习效率,同时增强图像特征的定位能力。通过实验仿真验证:基于ECAID模块的DeepLab网络与原DeepLab网络的语义分割能力相比有了显著的提高,验证了ECAID的有效性;另外基于ECAID模块的DeepLab网络模型与其他经典语义分割模型对比,验证了新模型分类能力具有可比性和优越性。（2）针对在图像分割中易产生错误“噪声团”的问题,本文提出基于CRF+Kmeans++算法的DeepLab网络模型,该模型通过利用改良后的CRF+K-means++算法增强DeepLab网络的后处理能力,使其能更有效的处理错误标注的像素点,为解决“噪声团”问题提供了新的途径。通过与原DeepLab网络模型以及其他经典语义分割网络模型对比可知,基于CRF+K-means++优化方法的DeepLab网络模型不仅提高了语义分割能力,而且还有效地解决了“噪声团”问题。