图像语义分割通过给每个像素分配相应的语义标签来解释与理解图像,被广泛应用于自动驾驶、医疗图像辅助诊断等领域。近年来,随着以卷积神经网络为代表的深度学习技术的不断发展,基于深度学习的图像语义分割方法被相继提了出来。语义信息与空间信息是语义分割的两个主题,二者对提高语义分割的性能都起到重要的作用。语义信息是图像中深层次特征的抽象表示,有利于对像素分类;空间信息包含着图像的空间结构,有助于准确预测目标边缘。为了增强语义信息,通常需要对输入图像多次下采样,随着特征图分辨率不断下降,导致空间信息丢失严重。为了解决上述问题,充分利用语义信息与空间信息来提高语义分割的性能,本文进行了如下研究:（1）基于特征图差异与编解码结构设计了一种新的图像语义分割模型。在编码端,使用全卷积结构的图像分类网络作为编码器对图像中的语义信息进行编码,利用编码器中高低层特征图之间的差异,近似计算出编码器在编码过程中所增强的语义信息与丢失的空间信息。在解码端,利用增强的语义信息来强调不同语义特征的重要性,利用丢失的空间信息来恢复图像的空间结构。在Cityscapes数据集上的相关实验结果证实了所提模型的有效性。（2）在上述模型的基础上,进一步对编码端和解码端进行改进。对于改进后的编码端,利用空洞卷积替换掉编码器中最后两次下采样操作,在保证网络感受野的同时减少空间信息的损失。对于改进后的解码端,加入了一个多尺度上下文模块来进一步增强语义信息。在Cityscapes数据集上的相关实验结果表明这两部分改进是有效的,改进后模型的性能较原始模型相比得到了显著提高,与其它主流方法相比也具有一定的优势。图33幅,表16个,参考文献55篇。