本文主要研究的是影像语义分割中存在的场景信息复杂、尺寸差异明显、形状变化多样的问题。近年来,由于成像设备的不断迭代更新,所获得的影像中包含的信息越来越丰富。因此,如何筛选影像信息、提高同一区域不同尺寸目标的分割精度、优化不同形状目标的边缘细节,都是影像语义分割任务中的难点。本文提出了一种基于通道注意力机制、空间金字塔、边缘再识别的融合网络结构,在基本不增加参数量的前提下,显著提高了遥感影像和自然影像语义分割网络的精度。主要工作内容如下:1、针对场景中的冗余特征对关键特征产生负作用的问题,本文提出了一种基于注意力机制神经网络的影像语义分割方法。该方法通过将通道注意力机制与空间注意力机制结合,构造了基于双注意力机制的神经网络。该网络首先使用Res Net101作为特征提取的骨干网络,提取影像中丰富的语义信息,然后使用双注意力机制对提取出来的特征进行信息的组合,并强化关系紧密的特征信息,抑制关系疏远的特征信息,最后使用组合过后的特征进行语义分割。该方法弥补了由卷积神经网络所提取的特征权重分配不均匀且信息主次关系模糊的不足,有效提高了遥感和自然影像的语义分割精度,从而验证了通道注意力机制的可行性。2、针对影像中目标尺寸差别较大的问题,本文提出了一种基于混合池化空间金字塔和注意力机制融合网络的影像语义分割方法。该方法首先使用条形池化对离散信息和带状信息进行聚合调整,同时使用全局平均池化对全局信息进行聚合后,再将两者转换后进行特征融合,然后将浅层网络和深层网络提取的特征进行融合,最后使用具有不同空洞率的空洞卷积空间金字塔模块,对融合特征进行多尺度多分辨率的变换。该模型能够有效改善遥感影像和自然影像中尺寸差别较大目标的语义分割效果,同时解决了条状目标分割效果较差的问题,从而验证了混合池化空间金字塔的可行性。3、针对目标边缘细节分割困难的问题,本文提出了一种基于边缘再识别神经网络的影像语义分割方法。该方法首先借鉴了计算机图形学中渲染的原理和非均匀采样的机制,对边缘的点进行非均匀采样,获取目标分割边缘的不确定点。然后对浅层特征和卷积神经网络粗分割后的语义分割图进行特征提取,利用两种特征对不确定的点依据渲染原理再次进行分割。最后使用分割后的不确定点对粗分割后的语义分割结果进行更新,得到细节修改后的语义分割图。该模型明显改善了遥感影像和自然影像中目标边缘细节的分割效果,从而验证了边缘再识别方法的可行性。