随着图像数据的爆炸式增长和深度学习的不断发展,计算机视觉任务吸引了很多研究者的关注。在卷积神经网络的推动下,图像分类、目标识别、语义分割等任务的准确度在稳步提升。语义分割是指在图像分割的基础上对每个像素点进行分类,传统的做法是对提取的可能的目标区域进行人工特征提取,然后进行分类器训练。基于卷积神经网络的图像语义分割算法直接进行端对端的网络训练,自动对特征进行提取,效果上要优于传统的方法。经过充分的调研之后,基于经典的卷积神经网络语义分割的模型,加入适当的策略并调整网络的结构,并提出了新的网络,同时对提出的网络模型算法进行了深入对比实验。具体的研究工作和创新点如下:第一,对卷积神经网络原理和网络搭建工具进行了介绍,详细讲解了两种经典的基于卷积神经网络语义分割算法,一种是基于图像块分类的语义分割算法,另一种是基于全卷积网络的语义分割算法,并在经典图像数据集PASCAL VOC 2012中对两种不同的算法进行了对比实验,为后续研究提供了理论和实践基础;第二,提出了一种基于多尺度池化策略的语义分割算法,首先介绍了基于多尺度池化策略的检测算法,再将其技巧扩展到语义分割算法中,采用多尺度输入和多尺度池化的方法,改变卷积神经网络中的感受野,解决目标不能完整分割识别等问题,在多个数据集进行定性和定量实验,验证了算法的有效性;第三,提出了一种集成条件随机场的反卷积网络模型用于更好地解决语义分割问题。反卷积网络的优势在于对不同大小的目标分割识别较好,可以大大减少大目标被过分割或者小目标被忽略的情况。将条件随机场解释成递归神经网络融入到反卷积网络中去,避免了用条件随机场进行边缘优化的后处理过程,并且利用反卷积网络得到更准确的单点势能,进行端对端的联合训练,通过学习条件随机场的参数具有更强的鲁棒性。实验证明提出的算法提升了语义分割的性能。