图像语义分割技术是图像处理领域的重要课题之一,是图像分类、目标检测等任务的关键技术,它的准确性和稳定性会影响图像处理任务的发展,因此,快速精确的语义分割一直是科研人员的研究目标。随着人工智能的发展,图像语义分割算法逐渐以深度学习方法为基础展开。但目前基于深度学习的图像语义分割算法通常以像素为基本单元进行处理,存在大量冗余,增加了算法的时间复杂度与空间复杂度。并且,更为精确的分割结果往往依赖更加复杂的网络结构,大量的参数让网络的学习变得困难。为使图像语义分割算法更加精确高效,本文提出了一种自学习图像语义分割算法并将其应用在绝缘子的破损检测中。本文的主要工作归纳为如下几个方面:(1)提出了ALIC(Autonomous-attachment Linear Iterative Clustering,自主归附线性迭代聚类)超像素分割算法。它使用一种简单高效的距离度量方式以加速算法。同时,像素自主归附的分配原则充分考虑了像素间的自然连续性,每个像素可以与其邻域共享标签,提高了超像素分割的准确度。实验结果证明本文的方法可在5次迭代内达到收敛,在保证较高分割准确度的同时,降低了运算时间。(2)提出了一种改进的FCN(Fully Convolutional Networks,全卷积神经网络)学习神经网络。该学习网络以VGG-16Net为主干网络并进行了优化,使用一个反卷积层替代三个全连接层,简化了网络结构。同时,对网络中每个卷积块的输出进行上采样,得到高分辨率的特征图。最后,将特征图进行特征融合,得到最终的输出结果。改进的FCN学习网络解决了全卷积神经网络中因浅层网络提取的细节特征丢失而导致语义分割精度低的问题。(3)使用ALIC超像素分割算法和改进的FCN学习网络组成自学习图像语义分割算法。图像通过自主归附线性迭代聚类形成超像素图像,并通过改进FCN学习特征表示,得到语义分割结果。在PASCAL VOC2012公共数据集的实验中,本文的方法得到了67.3%的平均交并比与80.5%的召回率,并且训练时间和运算时间均少于常见的基于FCN的图像语义分割算法。(4)本文以绝缘子图像作为数据集,在自学习图像语义分割算法上进行了绝缘子破损检测的仿真实验,实验得到了61.1%的平均交并比和75.8%的召回率。通过对实验结果进行分析,证实了自学习图像语义分割算法在绝缘子破损检测应用中的可行性。最后,本文对绝缘子破损检测的进一步应用做出了展望。