目前,图像语义分割广泛应用于车辆自动驾驶、机器人导航、遥感图像识别、医疗影像肿瘤检测等多个不同领域,潜移默化的影响着人们的生活习惯。图像语义分割是一个像素级的视觉任务,使用计算机通过训练学习到的模型对输入图像的每个像素点类别做出预测,并将图像中的各类别用它对应标注颜色分割出来。巨大的应用价值使得图像语义分割得到了广泛的关注,是当下机器视觉研究的一个热门方向。但在实际应用场景中,会出现对象边缘轮廓分割不准确,分割细节损失以及衔接部分信息损失等问题,这些情况已逐渐成为了图像理解的难关。对于这些现存的难点,提出了基于金字塔场景分析网络（Pyramid Scene Parsing Network,PSPNet）的改进结构,主要研究工作如下所述:（1）提出了一个基于PSPNet改进的PSPNet+算法。首先,在特征学习模块中将输入图在原残差网络（Residual Network,Res Net）的基础上通过在网络内部增加卷积、池化操作,进一步学习各个层次特征,将所学习到的多个低层次特征与高层次特征相加,得到新的具有更多空间位置信息的特征图;为得到丰富的上下文信息,利用PSPNet的金字塔池化结构,将特征图中全局上下文信息与不同尺度局部上下文信息相结合,进行卷积,得到最终预测图。仿真实验结果表明:所改进的方法在PASCAL VOC 2012测试集中平均交并比（Mean Intersection over Union,MIo U）达到78.5%,较基准算法提升了1.7%。对所提出的PSPNet+算法实施消融实验,分别对PSPNet原始网络结构与PSPNet+y3、PSPNet+y2+y3、PSPNet+这三种分别附加了不同的低层特征图的算法进行评估,结果表明:PSPNet的MIo U为76.8%,PSPNet+y3的MIo U为77.1%,PSPNet+y2+y3的MIo U为78.3%,PSPNet+的MIo U为78.5%。（2）对PSPNet+算法的消融实验结果使用柱状图进行可视化统计分析。分析结果表明:总体MIo U值呈上升态势,并且发现采用金字塔池化结构预测各类别结果具有相对稳定性,但是从各类别精度结果来看并非引入越多的较低层特征图信息结果会更加优异,同时也会带来部分噪声,影响精度表现。PSPNet+y2+y3到PSPNet+的精度提升仅为0.2%,为此改变这一支路,借鉴编码-解码思想,应用CONCAT跃层连接,直接的增加了解码器端的卷积深度,有助于低层次特征信息的保留。我们将这个对PSPNet+算法分析并改进的算法命名为PSPNet++。把通过PSPNet++算法得到的预测图上传到PASCAL VOC 2012测试集评估平台上显示精度结果为79.1%。较PSPNet精度提升2.3%,较PSPNet+提升0.6%。本文所提算法是基于PSPNet方法改进的端到端卷积神经网络算法,未经过任何的后处理操作步骤。经实验证明能够有效提升图像语义分割精度,对边缘轮廓分割较弱、衔接部分精度损失做到有效改善。随着算法和底层技术的多样性与先进性,要得到更加优异的实验结果仍需要进一步的实验探究。