图像语义分割是图像理解的关键性技术,通过对图像中的每个像素分配类别标签来分割图像。本文基于现有全卷积神经网络语义分割算法的研究与分析,针对在分割过程中可能出现的丢失细节信息、丢失上下文信息以及多尺度物体适应等问题,探索结合多种策略提升分割精度,开展了以下三个方面的研究工作:1.本文针对全卷积网络在池化和下采样过程中产生的图像细节信息丢失问题,采用了多孔卷积替代全卷积网络中的标准卷积,从而有效地扩大了感受野,保留了图像细节信息。仿真实验表明,算法利用特征图中更多的上下文信息获取了更精细的特征,有效地提高了图像语义分割精度。2.本文提出一种基于增强的稠密多孔空间金字塔池化的分割算法。多孔空间金字塔池化算法在面对高分辨率输入图像时获得的特征不够细致,获取的感受野不够大。本文在并行采样的基础上将低膨胀率采样层的输入特征和其输出特征融合作为后续高膨胀率采样层的输入,接着对每次的输出特征做一次全局平均池化,从而融入全局上下文信息,获取多尺度特征图中有用的上下文信息。仿真实验表明,算法有效地提高了对不同尺度大小物体的分割能力。3.本文利用卷积条件随机场算法优化图像语义分割输出。由于传统的全连接条件随机场学习效率低下,因而本文将条件独立性假设添加到其框架中,将大部分推理重新表示为卷积操作,同时将整体的条件随机场设计成循环卷积网络模块,嵌入网络进行端到端训练。仿真实验表明,算法不仅提升了推理速度,也提升了分割精度。