图像语义分割是计算机视觉的研究热点,可以有效地实现对图像的高层次语义理解。根据是否对训练数据进行标注以及标注的程度,图像语义分割可以分为基于全监督学习、基于弱监督学习和基于半监督学习。其中,半监督图像语义分割因其要求对部分训练数据进行标注的灵活性和便捷性,近年来受到越来越多的关注。尽管半监督图像语义分割具有广阔的应用前景,但在现有的方法中处理光照条件不好、小尺寸目标的分割、图片中具有相同语义的多个对象等特殊情况的图片时效果不佳。针对上述问题,本文首先提出了一种新的基于多损失的深度对抗网络。在技术上,新网络采用鲁棒性更强的WGAN-GP模型作为骨干,而不是传统的GAN模型。在网络训练过程中,引入了交叉熵损失、边缘检测损失、对抗损失和半监督损失等多种损失。从著名的Pascal Voc 2012数据集和Cityscapes数据集中选出的具有挑战性的案例的实验分析表明,该方法对分割模型的细节处理能力有所提升。进一步的,本文继续设计对比实验对半监督学习中标记数据占数据集的比例对模型分割性能的影响进行了探索性扩展研究,由于本文提出的对抗网络中生成器可以是任意的分割模型,于是将现有的FCN、Deep Lab等全监督训练的分割模型替换原有的生成器,使得全监督学习变为只需要输入部分标签的半监督学习从而达到减轻对数据集进行像素级标记的繁重工作。对各个模型分别使用了Pascal Voc 2012和Cityscapes两个数据集进行对比实验后发现,随着标记数据的增加模型会训练得更好,但全监督训练不一定能得到最好的语义分割结果。通过基于深度学习的多损失半监督图像语义分割及扩展研究可以发现,半监督学习蕴含着巨大优势。