近年来,随着计算机硬件资源大幅提升和深度学习技术快速发展,基于卷积神经网络的语义分割技术再次成为科研人员的研究热点,其广泛应用于自动驾驶、卫星遥感图像分析、医学图像分割、物体缺陷检测和精准农业等领域。基于图像语义分割的巨大应用价值,本文使用Deeplab V3++和CGCNN网络分别在普通图像（RGB）和高光谱图像（HSI）上进行精细语义分割研究。然而,深入研究发现Deeplab V3++和CGCNN网络存在相应问题:1)Deeplab V3++在获取图像高级语义特征过程中,需对图像进行下采样操作,而此操作易导致图像细节信息和小目标信息丢失;2)使用CGCNN网络分割高光谱图像时,减少训练数据,网络分割效果下降。针对Deeplab V3++网络和CGCNN网络存在的问题展开如下研究与改进:1.针对Deeplab V3++网络在下采样过程中容易丢失细节信息和小目标信息,在其主干网络上嵌入注意力机制模块。首先,采取手动获取注意力机制模块权重值（经验值）的方式探索注意力机制模块对原始网络的影响;其次,探索注意力机制模块间融合方式对原始网络的影响;最后,根据语义预测图的损失梯度更新注意力机制模块权重值。通过对PASCAL VOC2012公共分割数据集和实验室自制植物虫害数据集实验结果分析,本文提出的方法（嵌入注意力机制模块信息）在图像分割精度上高于原始网络。2.针对CGCNN网络分割高光谱图像时,减少高光普图像训练数据情况下,网络分割效果明显下降的问题,基于CGCNN网络结构,本文提出了双CGCNN门机制网络。首先,详细分析了CGCNN网络,并且在IP、KSC、SD、UP四个公共数据集上进行了实验;其次,构建了双CGCNN门机制网络,通过门机制对双网络输出特征图进行选择重构;最后,将训练数据集成倍数减少,分别在CGCNN网络和双CGCNN门机制网络上展开对比实验。对比实验结果,本文提出的双CGCNN门机制网络在四个高光谱图像上分割精度高于CGCNN网络。