图像语义分割的定义是为图像中的每一个像素分配一个预先定义好的表示其语义类别的标签。图像语义分割在自动驾驶、医学图像识别、卫星遥感信息系统等领域有着广泛的应用。由于图像语义分割在对图像进行分割时应用到了语义信息,成为了目前图像分割的重要研究方向。深度学习方法由于其自主学习能力强被广泛应用,将深度学习方法应用于图像语义分割是图像处理领域的热点研究方向之一,具有理论研究价值和实际应用前景。针对图像语义分割的关键技术问题,结合深度学习方法进行探究。总结分析了基于双线性插值的图像语义分割方法,提出了基于双三次卷积插值的图像语义分割方法。基于双三次卷积插值的图像语义分割方法是对基于双线性插值的图像语义分割方法的改进和提升。针对基于双线性插值的图像语义分割方法在上采样过程中采用的双线性插值方法只能从四个相邻采样点提取信息,采样数据点较少,图像分割精度降低的问题,应用双三次卷积插值方法替换双线性插值方法。双三次卷积插值方法需要16个采样点,数据点增加的同时,也考虑到了相邻点的灰度和灰度变化率,用不同的权重提取临近像素值的信息,能较好地恢复特征图像中像素点较少的类别的分辨率。在编码器和解码器的上采样操作中都需要使用双三次卷积插值方法放大图像,保留更多的细节信息。在基于双三次卷积插值方法的图像语义分割模型的基础上,从实际应用的角度设计并实现了一个基于图像语义分割的在线抠图换背景系统。实验在Windows环境下,采用Tensorflow框架进行环境配置搭建和训练,使用GPU对神经网络模型进行cuda加速。采用Pascal VOC 2012增强版数据集,通过基于双三次卷积插值方法的图像语义分割模型与基于双线性插值方法的图像语义分割模型的实验对比,基于双三次卷积插值方法的图像语义分割模型的实验效果较好,实验验证了所提出的方法是有效的。