图像语义分割是对图像中的信息进行类别标记的图像分析方法,即利用图像分割网络建立输入图像和预测结果之间的映射关系,通过映射关系实现特征类别的分割标记。近年来,深度学习技术的兴起促使图像语义分割方法快速发展成为计算机视觉领域的研究热点,这吸引众多研究人员将注意力聚焦于此;此外,卷积神经网络凭借其独特的结构优势已成为研究图像语义分割的经典网络。但由于在图像语义分割中应用场景的多变和高质量分割精度的需求导致语义分割模型的分割精度提升困难、分割效率不高,不能满足当前任务的需求;因此,本文以提升分割精度和分割效率为目标,围绕卷积神经网络的图像语义分割方法展开研究,主要内容如下:针对卷积神经网络没有有效利用各层级间的特征信息而引起图像语义分割精度受损的问题,提出一种分级特征融合的图像语义分割方法。该方法利用卷积结构分级提取浅层特征和深层语义特征,挖掘不同层级间隐藏的特征信息,合并融合两种特征信息,实现分割任务。在公开数据集上的实验结果表明,所提方法通过分级提取特征、融合层级特征在主观评价和客观实验方面均存在优越性,从而验证所提方法的有效性。针对残差网络进行图像语义分割时,恒等映射造成网络信息流的阻碍同时并联的ASPP（Atrous Spatial Pyramid Pooling）结构未能充分获取不同尺度的图像特征而造成物体边缘检测不清晰的问题,提出一种密集多尺度特征融合的图像语义分割方法。该方法增加密集连接增强网络对特征信息的学习,通过聚合不同扩张比率的特征图获得更多的上下文信息,最终提升分割精度。在公开数据集上的实验结果表明,密集连接通过促进特征信息的利用率提升网络对目标边缘的检测能力,提升网络的分割能力,从而验证所提方法的有效性。针对卷积神经网络进行图像语义分割时,过多的网络参数造成的计算量增加及过量的内存占用问题,提出一种结合上下文特征融合的图像语义分割方法。该方法利用对称的反向提取路径构建“双金字塔”特征模块,以此优化特征信息;利用深度上采样模块,优化参数量,最终实现分割网络的运行速率的提升。在公开数据集上的实验结果表明,结合上下文特征融合的图像语义分割方法对网络的运行速率有较好的提升效果,从而验证所提方法的有效性。