在基于深度学习的图像语义分割(Image Semantic Segmentation based on Deep Learning,ISSbDL)研究中,基于编码器-解码器模型的图像语义分割(Image Semantic Segmentation,ISS)方法存在像素空间位置信息丢失、无法有效利用图像上下文等问题。本文对编码器-解码器模型进行了两点改进并以这两点改进为基础,设计了一种基于改进编码器-解码器模型的ISS方法。本文的主要贡献如下:(1)改进编码器-解码器模型:对编码器-解码器模型进行改进,重新设计了编码器模块的基本网络结构,以增强编码器的特征提取能力。一方面,通过更密集的连接方式连接多个带孔卷积,改进初级特征提取器,提出“密集连接带孔卷积网络”(Densely Connected Atrous Convolution Network,DenseAtrousCNet)。另一方面,改进带孔空间金字塔池化模型,以密集连接思想组合数个不同带孔率的带孔卷积,进行特征融合,提出“密集连接全局平均带孔金字塔池化”(Densely Connected Global Atrous Spatial Pyramid Pooling,DenseGlobalASPP)模型。(2)提出基于改进编码器-解码器模型的ISS算法:基于以上两点改进,对传统的编码器-解码器模型进行优化,重新设计模型的框架结构。在编码器模块中使用DenseAtrousCNet和DenseGobalASPP进行特征提取,在解码器模块中使用反卷积进行特征恢复,提出“密集连接带孔空间金字塔池化反卷积网络”(Densely Connected Atrous Spatial Pyramid Pooling Deconvlution Network,Dense ASPPDeconvNet)。在PASCAL VOC 2012 公开数据集中的实验表明:DenseASPPDeconvNet能够捕获更多的稠密特征和图像上下文,提高ISS的准确率。