图像语义分割是指根据一定的准则,将图像的前景与背景分离,对每个前景目标的像素分配预定义类别标签的过程。图像语义分割是计算机视觉、图像处理和人工智能的交叉研究领域,被广泛应用于医学影像分析、自动驾驶等领域。随着人工智能相关理论的进一步发展,众多研究人员对卷积神经网络(Convolutional Neural Networks,CNN)加以改进应用到分割任务中,取得了不少突破性的进展。2018年提出的分割模型Dense ASPP基于卷积神经网络Dense Net构成,其DASPP模块由Dense Net的密集块改进而来。Dense ASPP具有较高的分割精度,但网络参数量大,复杂度高,且不能充分的提取图像的上下文信息。本文针对Dense ASPP存在的不足,研究了基于卷积神经网络的图像语义分割方法。本文主要研究内容包括:1.针对Dense ASPP模型的骨干网络Dense Net复杂度高、实时性差的问题,提出了基于Shufflenetv2的图像语义分割方法。利用轻量级卷积神经网络Shufflenetv2替代Dense Net,作为分割模型的骨干网络提取特征,有效减少了模型的参数量和计算量,提高了分割算法的实时性。2.针对DASPP模块中带孔卷积获取的全局信息有限、各输出特征重要性不同带来的问题,提出了结合全局平均池化和SE模块对DASPP改进的方法。该方法在DASPP模块中并行加入全局平均池化层,获取全局信息,再加入SE模块均衡各通道的重要程度以实现图像语义分割。实验结果表明,该方法提升了图像语义分割的精度。3.针对模型上采样部分过于粗糙的问题,提出了基于编码-解码结构的图像语义分割方法。该方法在解码阶段分两次上采样,并在上采样后与低层的同分辨率特征图合并,加入细节信息,得到更有效的解码器。实验结果表明该方法细化了分割的结果,提高了模型的分割精度,体现了可行性。