随着中国室内装修装饰行业市场规模呈现日益增长的趋势与计算机视觉技术的发展,越来越多的室内装饰企业结合深度学习技术进行室内环境辅助设计。基于深度学习技术的室内装修设计方案自动生成、软硬装自动搭配与三维室内场景重建等任务的关键在于获取精准的语义标签作为基础数据支持。然而,室内场景存在大量家具产生空间遮挡,室内场景照明不均衡,不同语义区域间纹理相似、边缘难以识别等问题,难以精准预测语义标签。为此,我们通过融合RGB图像中的语义信息与深度图像中的空间信息,减少由照明与阴影分布不均和遮挡所产生的干扰,进而提升预测室内场景语义标签的准确率。本文重点研究室内复杂场景的RGB-D语义分割技术与应用实践,主要研究成果与创新如下:（1）提出了一种融合深度信息的交叉注意力语义分割模型。针对室内场景存在大量家具产生空间遮挡以及室内场景照明不均衡问题,通过特征融合将Depth分支所提取的深度特征融合到RGB分支中,并将融合后的特征输入重复交叉注意力模块,进一步结合深度空间特征以提升像素级语义分割预测精度。同时,基于语义分割模型开发了三维室内复杂场景涂装系统。实验结果显示,相比于基线模型,本文所提出的融合深度的交叉注意力语义分割算法,在本章实验设置和实验数据集的训练与测试结果中,在基于NYU-Dv2的实验数据集上语义分割结果mIoU指标提升4.59%,在基于SUN-RGBD的实验数据集上mIoU指标提升2.53%。（2）提出了一种融合深度信息的轻量化实时语义分割模型。针对模型参数数据量大难以在移动端部署,计算复杂度高、实时性低的问题,通过轻量化语义分割模型提取Depth分支的深度特征并融合到RGB分支中,进一步结合深度空间特征以提升实时语义分割预测精度。同时,基于实时语义分割模型开发了室内复杂场景实时涂装系统。实验结果显示,本文所提出的融合深度的轻量化实时语义分割算法,在提升语义分割精度的同时保持了实时性要求。（3）提出了两种引入互补注意力机制的轻量化语义分割模型。针对室内复杂场景中RGB和深度图像特征分布存在显著差异性,并且难以有效进行特征结合的问题,通过互补注意力机制赋予RGB-D输入图像中不同通道的特征以不同的权重,有选择性地从网络模型中的RGB与深度分支中提取特征,使网络模型对信息含量更高的特征更加敏感。实验结果显示,相比于基线模型,本文所提出的引入互补注意力机制的轻量分割模型最好的分割结果,在基于NYU-Dv2的实验数据集上mIoU指标提升了0.9%,在基于SUN-RGBD的实验数据集上mIoU指标提升0.78%。证明了互补注意力机制的有效性。