图像分割是一种将图像分成各具特性互不重叠的技术过程,它是人工智能和计算机视觉中最基础的预处理手段,它是目前AI和自动驾驶中最重要的技术分支之一,图像分割的好坏会直接决定图像融合和图像识别精度的高低。传统图像分割方法对于复杂背景下的图像分割精度有限,难以准确快速的实现像素级别的图像分割。而传统的全卷积网络FCN中持续的池化和降采样会降低特征图的分辨率,难以实现对图像像素语义标签的准确分类。为此,本文针对传统语义分割中存在分割精度不足的问题,将改进的带孔卷积神经网络Deeplabv3+和超像素算法相结合,研究了基于深度学习的语义图像分割方法。针对传统SLIC(Simple Linear Iterative Clustering,简单线性迭代聚类算法)算法中弱边缘的边界粘附性以及超像素形状规则的问题,提出了一种改进的基于梯度方向的Canny SLIC图像分割算法,即“C-SLIC算法”。采用边缘和噪声在梯度方向上的不同而改进的Canny算法与SLIC结合,然后使用复数运算来降低图像边缘特征维度,最后采用六边形来描述SLIC生成的超像素,经实验表明:该算法能生成与物体边界密切贴合且分割精度较高的超像素分割图,验证了C-SLIC算法的有效性。针对传统Deeplabv3+网络模型在训练周期较短时存在分割精度不足的问题,对Deeplabv3+网络模型进行了改进,得到M-deeplab模型。在Deeplabv3+网络模型中引入轻量级注意力模块CBAM(Convolutional Block Attention Module,注意力卷积模块)来将注意力图与输入特征图进行卷积实现自适应特征优化,从而增加神经网络模型的基数,提高神经网络提取特征的能力。为进一步完善M-deeplab模型对目标边缘区域的分割精度,将M-deeplab模型与C-SLIC算法结合。采用C-SLIC算法获取图像的超像素分割边界信息,并以此边界信息为基准,引入新的超像素语义标注准则,来提高模型对目标边缘区域的敏感程度,从而优化M-deeplab模型得到的语义分割结果,建立“CM-deeplab模型”。实验结果表明,本文中的CM-deeplab模型在最新的PASCAL VOC数据集上,其样本总体平均交叉熵MIOU和像素准确率PA分别达到71.8%和92.6%,分割精度均优于所对照的其它模型,且语义分割图在视觉上也得到明显地改善,验证了CM-deeplab模型的分割有效性。