近年来,随着社会步入信息时代,不断呈现出海量的图像数据。大规模的图像数据在满足人们娱乐需求和促进社会发展的同时也使图像分析和理解成为不容忽视和迫切需要处理的问题。而图像语义分割是计算机视觉中最重要的处理技术之一,也是图像分析和场景理解的基础。图像语义分割的目的是对图像中的每一个像素点进行分类,将图像分割为一些视觉上有意义的或感兴趣的区域,以便于对后续的图像分析和理解。在图像的获取和传输过程当中,可能会出现噪声,它不但破坏了图像的真实信息,而且严重影响了图像的视觉效果。于是,噪声图像的语义分割成为图像分析中最具挑战性的研究内容之一。传统的图像分割技术大多数是获取图像自身的一些特征,分割过程比较复杂,而且分割结果也需要进一步提升。随着深度学习的迅速发展,图像语义分割也进入了全新的发展阶段。深度学习技术包括多种神经网络结构,其中最常用的深度卷积神经网络(Deep Convolutional Neural Network,DCNN)对提取图像中的特征具备很大的优势,是机器学习领域中十分高效的技术方法。因此,如何使用深度学习技术提高图像语义分割的性能,成为当前的一个重点研究方向。为提高噪声图像的分割性能,本文研究了目前国内外常用的基于深度学习的图像语义分割算法,并对采用深度学习的语义分割算法进行梳理和概括。采用了现有的深度卷积神经网络(Alexnet)结构,在分析全卷积网络(Fully Convolutional Network,FCN)的基础上,提出一种改进的FCN模型(IFCN)对噪声图像语义分割。该算法采用一种新的中值池化方法代替卷积神经网络中的最大值池化,可以在去除噪声的同时保存更多的边缘信息。在训练整个深度网络时,通过反向传播算法以一种直接的端到端,像素到像素的方式映射。将提出的算法分别运用在PASCAL VOC2012和Sift Flow数据集上,针对含有椒盐噪声、高斯噪声等不同类型的噪声图像,训练不同参数下的网络模型。实验结果表明,最终在去除噪声的同时可以获得比较好的语义分割效果,通过与经典的算法进行对比实验,可以证明该方法的有效性。