在大数据时代,互联网图像资源的数量飞速增长,针对这些图像进行相应处理的技术已成为一个值得关注的问题。而应用广泛的图像分割技术是图像处理中的主要难点。近年来,深度学习技术的特征提取性能使得其在计算机视觉处理、图像检测、图像语义分割等领域有着重要的研究价值和广泛的使用。卷积神经网络﹙CNN﹚是深度学习的一个模型,该模型在图像处理方面表现良好。而近年来新提出的全卷积神经网络(FCN)是对卷积神经网络的一个改进结构。全卷积网络FCN相比于传统的卷积神经网络具有其独特的优势,在结构上与卷积神经网络的结构有相似部分,但是全卷积神经网络中实现了全卷积化,将全连接层变成了卷积层,还包含上采样层等独特的网络结构。全卷积网络能够预测每个像素点的语义标签,实现像素级别的图像语义分割,同时实现端到端的输出。故而可以很好的解决很多图像检测、分割的问题。相对于传统神经网络有明显的优点。本文探究了全卷积神经网络(FCN)和卷积神经网络(CNN)的实现原理,并且通过对比得出全卷积神经网络(FCN)的优势所在。论文主要研究全卷积神经网络在图像分割领域的应用,提出了一种基于已有卷积神经网络进行全卷积改进的网络结构,使其符合全卷网络的结构,能够进行端到端的图像分割处理;并通过特征融合使得输出结果能兼顾细节和全局信息;同时设计了一个用于专注于图像中形状、距离等特征处理的下层网络,使得最后融合后的特征更加全面、准确。本文的主要创新点和对应的优势有如下两个:一是基于全卷积神经网络对已有卷积网络进行改进,同时通过对网络结构的优化,使其更加适用于图像处理,也提高了图像分割的性能。二是设计了双层网络,第一层是上述的基于全卷积改进的网络结构,另外一层结构用以专注于图像细节的特征提取,通过对输入的灰度图、深度图进行特征提取后进行融合,使得最终分割结果更为精细、准确,相比传统方法有一定的提升。