随着信息时代的到来,计算机文档分析与识别在内容识别、基于内容的检索等领域具有重要的意义,因而成为信息处理领域的重要研究课题之一。其中文档版面分割是文档分析与识别的关键处理步骤,是指将文档版面划分为背景、文本、表格、图片等不同区域。版面分割的精度将直接影响文档分析与识别系统的整体性能。近年来深度学习方法的出现,使得文档版面分割任务取得了很大的进展。但由于文档版面布局灵活复杂、各区域尺寸相差大、元素形态多变等结构特点的影响,高精度文档版面分割算法研究仍面临着巨大的挑战。本文对基于深度学习的文档版面分割算法进行了深入研究,并针对上述特点,提出了一种基于编解码结构的多尺度复杂文档版面分割算法。该算法首先利用特征提取网络提取文档图像特征,然后送入多尺度特征提取网络中生成包含多尺度特征的多通道特征图,最后利用解码器对低分辨率特征图进行分段上采样,以实现文档版面的像素级分割。论文的主要工作如下:（1）对比研究了现有的语义分割网络。通过一系列对比实验,对几种不同类型的语义分割网络进行了分析研究,选取适合文档版面分割任务的网络模型。（2）针对文档版面结构特点所导致的局部歧义问题,设计了一种多尺度特征提取网络。其中反卷积金字塔池化模块通过构建特征金字塔来融合图像的多尺度信息,提升了小尺寸区域的分割精度;位置注意力模块通过捕获像素之间的空间联系来整合远程上下文信息,提升了大尺寸区域的分割精度。实验结果表明两个模块的融合能够提升网络的多尺度特征表达能力,有效解决了局部歧义问题。（3）为了进一步提升网络的分割性能,提出了基于编解码结构的多尺度文档版面分割算法。采用了一种具有瓶颈结构的解码器对低分辨率特征图进行分段上采样,从而使得深层特征图包含更丰富的语义信息。区别于常规的编解码结构,本文在编解码器之间引入了多尺度特征提取网络处理特征图,有效地增强了深层特征图的表达能力,从而进一步提升了网络的分割精度。为了验证算法的有效性,本文在三个文档版面复杂度不同的公开数据集PubLayNet、RDCL以及DSSE-200上进行了对比实验。实验结果表明,基于编解码结构的多尺度分割算法实现了复杂文档版面的高精度分割,同时具有较高的泛化性能。