随着互联网的快速发展及其在实际生活中各个方面的广泛应用,产生了大量的图像数据。由于现实生活的复杂环境中存在目标种类多、物体被遮挡和光照不均匀等很多不确定因素,导致图像语义分割精度还存在很大的提升空间,如何能够快速、高效、准确地理解图像里面包含的内容,并根据现实当中的应用场景自动分割图像中的目标对象区域,已经成为了众多学者们关注的重点。近年来,基于深度学习的图像分割方法取得了巨大的成功,图像语义分割这项技术可以辅助计算机更好地理解图像中表述的内容,其主要任务是筛选给定的图像中,其是否包括某一类目标对象,标记图像中每个像素的语义类别,并绘制各个对象的边界范围,最后得到带有像素语义标识性的分割图像。在图像的语义分割任务中,由于不同对象之间的像素值存在差异,本文对图像语义分割方法进行了深入的研究,本文的研究点如下:（1）针对在图像语义分割过程中产生的无效特征信息,以及图像局部细节信息丢失的问题,论文提出一种基于DCNN、ECANet和DSA＿ASPP的编码器。模型中DCNN提取图像的特征信息;ECANet提高模型的网络表征能力、强化通道特征并抑制无用信息;DSA＿ASPP对特征图进行多尺度处理和融合,以实现局部细节信息的高效捕捉。（2）基于上述编码器提出一种DECANet网络模型,其提取到的特征图中包含的像素级信息更加精准,最后,在PASCAL VOC2012、Cam Vid和Cityscapes数据集上平均交并比分别达到81.08%、79.73%和76%,与现有的先进网络模型相比,本文方法的检测性能更优,可以有效地捕获局部细节信息,减少图像语义像素分类错误。（3）在场景识别任务中,主要目的是识别场景中包含的各种物体对象,然后对它们进行分割,捕捉到物体的轮廓、所属种类等信息,为后续在场景识别任务中提供技术辅助。为了体现本文所提算法的应用价值,本文设计了一个基于编解码结构的街道场景识别应用工具,通过语义分割定位目标对象的特定位置和类别属性,并对识别结果进行可视化展现。