图像语义分割是一个像素级别的分类任务,它在无人驾驶汽车、地理信息系统以及医疗影像分析等多个领域内有着重要作用。传统的分割方法受特征提取方法的限制,在复杂场景中图像的分割效果较差。而卷积神经网络在人工标注的、有着复杂场景的数据集中取得良好的分割效果。卷积神经网络主要用于图像分类,它能提取到语义信息用于识别语义类别,但经过多次的池化操作导致特征图丢失了大量空间位置信息。语义分割实现像素定位需要弥补高层特征图在下采样过程中丢失的空间信息,所以在恢复分辨率的过程中如何利用语义信息和空间位置信息之间的联系是提升分割性能的一个重要因素。本文的主要研究如下:（1）金字塔注意力网络提出的全局注意力上采样模块通过使用高层特征的通道权重对次高层特征进行加权,实现高层语义特征对次高层特征的直接指导,完成语义信息在特征中的传递,建立一种高层特征对次高层特征的联系。但金字塔注意力网络忽略了高层语义特征对较远的低层特征的影响。针对此问题,本文提出了多尺度全局注意力上采样模块,通过使用多尺度跳跃连接的方式将多个全局注意力上采样模块进行重新连接。多尺度全局注意力上采样模块能够结合高层特征对低层特征的直接和间接指导,为语义信息和空间位置信息建立一种更加紧密的联系。通过结合多尺度全局注意力上采样模块与非对称卷积模块构建了一种基于编码器-解码器结构的语义分割方法。非对称卷积模块连接在骨干网络后,用来提升骨干网络的表达能力。在解码器端,多个高层语义特征使用全局注意力上采样模块对同一低层特征进行直接或间接指导会生成多个特征图,在对生成的多个特征图进行融合时使用了基于权重和基于级联两种方式。基于权重的特征融合方式在比较不同权重对分割效果产生何种影响的过程中,有多组对比实验证明了间接指导对于语义分割性能提升是有作用的。基于级联的特征融合的分割效果优于基于权重的特征融合方式。（2）为了将多尺度全局注意力上采样模块适用于实时语义分割,本文使用ResNet18与简化的多尺度全局注意力上采样模块构建出一种端到端的轻量级语义分割网络。其核心思想是使用浅层空间特征提取模块聚合ResNet中高分辨率特征的空间位置信息,再使用简化的多尺度全局注意力上采样模块将高层语义特征以直接指导和间接指导的方式对聚合了空间位置信息的特征进行加权,来加强语义信息和空间位置信息的联系。该方法结构简单,拥有少量的参数并且只需少量的计算就能够实现实时语义分割,并有着不错的分割效果。