图像语义分割是对图像中所有的像素点进行分类,属于像素级的分割。随着深度学习的发展,越来越多的研究使用卷积神经网络来对复杂图像进行识别和分割,并在自动驾驶、医疗影像、地理遥感等领域广泛使用,表现出不俗的性能。但由于卷积神经网络中的下采样操作的存在,导致分割结果中物体会丢失较多的细节信息以及分割类别边缘模糊。除此之外,现阶段的语义分割模型为提高分割精度,设计了复杂的网络结构,导致模型计算量高、训练时间长,难以适应多种环境。因此本文通过研究现有的图像语义分割算法,从分割过程中的细节信息提取、分割边缘、多尺度物体识别和计算量的角度出发,设计分割准确、效率高的改进型算法,并通过实验验证算法的有效性。主要研究内容如下:首先,针对目前语义分割中对类别边缘分割粗糙的问题,在编码解码结构的基础上,结合残差模块和注意力机制,设计了一种残差注意力模块,提出基于残差注意力机制的编码解码网络。通过注意力机制加强特征图通道之间的联系,并将其与残差模块相结合,使其在提取深度语义特征的同时关注图像细节信息,提升类别边缘的分割细腻度,提高语义分割的精度。其次,为减小普通卷积带来的计算复杂度和计算量,引入深度可分离卷积,将编码部分的普通卷积替换为深度可分离卷积,在减少计算量的同时,保证模型的分割性能。针对语义分割中无法有效分割多尺度物体的问题,对解码器部分进行改进,设计一种联合金字塔上采样模块,该模块利用在编码过程中产生的不同尺度特征图,进行不同尺度的语义信息提取,提高模型对多尺度物体的识别能力,并融合特征金字塔,加强模型对场景的理解能力。最后,为验证所提出网络结构的有效性,在Pascal VOC 2012和Cityscape数据集上进行实验验证,将所提出的方法与目前较为流行的方法进行对比。实验表明,所提出的方法在分割准确度方面有较大的提升,分割效果也得到较好的改善。