随着近几年的发展,深度学习方法在许多人工智能应用领域取得了极大的突破,例如计算机视觉和自然语言处理。其中在计算机视觉领域,不同于传统方法依赖的手工特征提取,深度学习由于其端到端训练的特点,和优越的特征提取性能,近几年以卷积神经网络为代表的深度学习方法几乎在所有计算机视觉子领域都取得了重大突破,极大地推进了这些研究领域的发展。在本文中,基于卷积神经网络,我们将聚焦计算机视觉领域中两个重要任务:图像识别和语义分割。其中图像识别(图像分类)是所有计算机视觉任务的基础。使用卷积神经网络的图像分类方法首先学习关于输入图像的层级特征表达,然后根据这些特征进行分类。图像分类的核心是特征学习过程,同时这也是所有其他计算机视觉任务的基础。设计一个性能优异的卷积网路结构是所有这类方法的关键。而语义分割,则是实现图像理解、图像编辑与机器人环境感知的基础。语义分割是一个密集的像素分类问题,所以其可以看成一种高层次更加精细化的图像分类问题。本文首先分析了现有基于卷积网络的图像分类方法,然后提出了一种基于多支路并行卷积神经网络和判别器网络的图像识别网络架构,其可以使用任意现有卷积神经网络模型进行构建,并且采用一种由对抗学习扩展而来的新颖训练方法进行训练,显著提高了卷积网络的特征提取能力,在多个公开基准数据集上取得了最佳表现,同时还使用了可视化方法进一步验证了该方法的有效性。而后,我们就该网络中的判别器网络进行额外实验与分析,引出了一种新的基于注意力模型的语义分割方法,通过结合多尺度支路,提出了一个使用多扩张卷积策略的注意力模型,使得网络充分利用图像上下文信息,该方法亦在多个语义分割基准数据集上的性能超过了相关方法。