深度卷积神经网络是计算机视觉领域非常有效的方法。海量增长的图像数据和日益普及的智能设备都要求快速、准确地理解图像的内容,并自动分割识别出图像中的目标物体。图像分割的任务是在给定的图像中检测出是否包含某类目标物体,并标注出图像中每个像素所属的对象类别,描绘出每个物体的边界,最终获得一幅具有像素语义标注的分割图。图像中目标物体的检测与分割对于计算机视觉的发展具有十分重要的意义,在实际的工程应用中也具有较高的实用价值,当前国内外发表了很多关于图像分割算法的优秀研究成果,但将其应用到实际的操作过程中时发现,仍然存在较多的问题,如目标物体在部分物体重叠遮挡、光照强度、背景干扰等因素的影响下,很难获得理想的分割精度。本文针对当前现有的算法进行了深入调研和分析,根据分析的结果对当前的算法进行优化,设计出更具备适应性的算法,下文将对本文的主要研究内容进行简述:(1)本文算法基于深度卷积神经网络,在Deeplabv3-plus网络模型的基础上进行了改进。采用基于互质因子的空间空洞金字塔池化模块,以减缓网格效应,并减小图像空间结构信息损失对语义分割精度的影响,从而提升了分割精度。(2)针对样本不均衡性对机器学习性能的影响进行详细研究,分析和总结了分割难度较大的图像区域所存在的主要难点和需要解决的问题。并提出了基于局部增强的图像语义分割算法,从而提升了语义分割精度。