图像分割技术在图像处理环节一直处于非常重要的地位。深度卷积神经网络近几年被逐渐应用于图像语义分割任务中,在众多大规模语义分割竞赛中,基于卷积神经网络的机器学习算法实现了比传统算法更高的检测精度。条件随机场模型是一种基于无向图的概率模型,可标记序列数据,具备较强概率推理能力,可以充分考虑图像中不同对象之间的位置关系,合理地推断出对象类别。对于室内场景,现有方法在面对诸如光照、颜色等过于相似之类的问题时,容易导致图像边缘模糊,分割精度不高。为此,我们从两个方面做了研究工作,具体内容如下:提出了结合深度信息的室内图像语义分割方法。首先,利用像素之间的深度相似性,将相似图像深度信息无缝地合并到卷积神经网络(CNN)中,以生成像素级每个类别的一元势能响应;其次,将图像深度信息融合到对比敏感的双核势能条件随机场(CRF)中,将其与先前的一元势能结合进行室内图像细化分割进而获得最终结果;最后,在NYUv2数据集上、选用五种现有算法、四种评估指标,对本文方法进行对比实验,结果表明所提方法在室内场景分类准确性和图像分割精准性上好于现有方法。给出了融入三维体素的条件随机场图像分割模型。首先,在条件随机场中将深度信息融入到一元势函数中,用三维位置信息代替传统的二维信息,改善分割结果;其次,通过对RGBD图像纹理、色彩和位置信息的训练,获取具有高斯核成对势函数的二元势函数,完成对有深度信息的图像分割;最后,采用Pascal3d数据集和相应的评估指标,将本文方法和已有方法进行对比实验,结果表明本文方法有着良好表现,可以有效地提升室内图像分割精度。