21世纪是信息技术时代,计算机性能获得了飞跃式进步,大数据时代下,各个领域都开始重视和研究深度学习。从文本翻译到模式识别,从计算机视觉到搜索推荐等多个领域都开始普及和应用。计算机视觉对日常生活有着非常广泛的应用,比如无人驾驶,人脸识别,行人检测与跟踪,医学影像检测,视频监控,事件检测等。图像语义分割是一个计算机视觉基础任务,如果能够以较低的计算代价和时间代价,快速的判定图像中每个像素的类别,很多计算机视觉任务,就会变得很容解决。在本文当中,我们详细介绍了深度学习发展过程,卷积神经网络(CNN)的算法原理,和全卷积网络的结构及其特点。为了实现基于图像的语义分割,文章详细介绍了全卷积网络FCN是如何实现语义分割的过程。之后,本论文从两个提升语义分割性能的关键技术,进行深入研究和全面实验。既有深度学习算法上的创新,也有全卷积神经网络的结构的改进。最终实现了语义分割性能的大幅提升。本文的主要创新点在于:一是我们提出了一种特征融合系数可学习的方法,可以帮助我们选择含特征比较优的层。我们的这个方法,还可以应用到其他需要多尺度特征融合的工作中。我们提出了三个原则来进行,初期层的范围的确定,也详细的描述了特征融合系数的学习算法。之后,通过三个步骤,我们就可以选择出特征比较优的层。我们的算法在PASCAL VOC和PASCAL Context数据集上进行验证,分别有0.7%和1.2%的提升。二是我们定义了一种衡量有效感知域的方法——有效感知域密度。堆叠大的拥有大感知域的层,可以增加感知域的覆盖范围和感知域的密度。基于这个观察,我们设计了一种密集全局语义模块。这个模块可以有效的增加感知域的覆盖面和感知域的密度。最终,密集全局模块减少了大量的网络参数,同时分割性能有很大的提升。算法在PASCAL VOC和PASCAL Context数据集上分别有2.9%和1.0%的提升。