信息化时代,计算机视觉在实际生活中得到越来越广泛的应用。用摄像机和计算机代替人眼对物体进行识别、分类以及跟踪等成了新的研究热潮。图像处理和图像理解是计算机视觉的关键技术。图像语义分割是图像理解的基础,直接影响图像理解最终结果的优劣。传统的图像分割都是基于图像本身的特征进行提取,对象必须具体化,应用受到很大的限制。对于复杂的场景,传统的图像分割准确率和效率都达不到要求。基于全卷积神经网络(Full Convolutional Neural Network,FCN)的图像语义分割能够直接输入任意尺寸的图片,省去繁琐的中间步骤,端对端实现像素级分割,提高分割的准确度。但是全卷积神经网络的语义分割存在特征分辨率低、上下文推断能力弱以及没有考虑前景和背景分布不平衡等问题。针对以上问题,本文以提高语义分割精度为目标,在FCN的基础上进行了改进,具体研究如下:(1)通过减小池化步长改善特征图分辨率低的问题,同时采用不增加参数数量和计算量的空洞卷积增大神经元节点的感受野,便于学习语义层次更高的特征;(2)采用多尺度池化和叠加高层语义信息的方式,强化像素与像素之间的关联,整合上下文信息,提高网络获取全局信息的能力;(3)采用改进的代价函数,调节权重分布,避免分类器发生偏向,解决样本类别不平衡的问题。在VOC 2012数据集上进行实验,并与其他算法的结果进行对比,实验表明本文提出的网络结构提高了语义分割的准确度,像素精度达到了89.9%,证明了本文改进算法的有效性。最后将该算法应用于道路场景识别应用,取得较好效果。