图像分割是图像分析与理解的基础,语义分割作为图像分割中的一项高层次任务,是计算机视觉领域中热门的研究内容。其研究成果被应用到自动驾驶、农业等领域,具有重要的学术及应用价值。随着深度学习的迅猛发展,很多基于深度学习的语义分割算法取得了一定成果,但没能充分利用图像的低级信息,对于目标边缘处的细节的分割精度有限。而超像素不但能较好地保留目标物体的边缘信息,还能代替大量的像素表达图片特征从而减少后续模型训练时的噪声干扰。本文针对目标边缘细节的分割问题,提出了结合超像素的语义分割算法,主要工作内容如下。为了提高超像素对边界的贴合度,提出多层级迭代的图像超像素分割方法。首先使用局部明暗信息增强图像的弱边缘,然后使用简单线性迭代聚类算法分割超像素,在其基础上进行多层级迭代细化分割结果,提高超像素对物体边缘的贴合度,改善对目标弱边缘的边界贴合性差的问题。对于较小区域的超像素,采用多层级合并改善过分割问题。实验结果表明在BSDS500数据集上,提出的方法对目标物体边缘的贴合度较好。在超像素块数大于200时,边界召回率、F-Score、欠分割错误率指标均优于对比算法。故使用该方法得到的超像素可以进一步提高结合超像素的语义分割方法的准确率。为了降低模型规模和复杂度,同时尽可能保证模型深度以及获取上下文语义信息和局部特征的能力。在语义分割阶段,使用轻量级特征提取网络对PSPNet网络模型进行优化,得到L-PSPNet模型。为了提高算法在边缘区域分割的准确度,提升模型感知图像低级信息的能力,提出两种结合超像素与L-PSPNet模型的语义分割方法。第一种方法使用超像素对语义分割结果进行后处理的方式。利用超像素语义标注准则,使用多层级迭代超像素分割方法得到的超像素结果,优化L-PSPNet网络得到的语义分割结果。实验结果表明,在PASCAL VOC数据集上与L-PSPNet模型得到的语义分割结果相比,经过修正后的目标轮廓更加完整,平均像素准确率指标提高了2.55%,总体平均交并比指标提高了2.2%。第二种将超像素图像作为模型输入,减少特征提取时不必要的像素级信息,然后采用跳层结构和空洞卷积对L-PSPNet网络模型进行优化,建立结合超像素的多层特征融合语义分割模型,即MSL-PSPNet模型。实验结果表明在PASCAL VOC数据集上与其他语义分割算法进行对比,得到结果在目标边缘处的分割精度更好,样本平均像素准确率指标最高达到88.1%,总体平均交并比指标最高达到77.5%,均优于其他对比模型。