近年来,深度学习的蓬勃发展,给计算机视觉领域带来许多新的突破,尤其在图像语义分割领域,分割准确度记录不断被刷新。由于模型训练依赖像素级标记的数据集,标记成本严重制约了应用场景,为此,学术界提出通过迁移学习来解决图像语义分割的标签依赖问题。本文立足于迁移图像语义分割中的应用,主要工作如下:(1)提出将条件随机场引入迁移图像语义分割算法并获得了性能提升。传统的卷积神经网络卷积核通常具有较大的感受野,因此在获取特征图进行像素级的分类时会产生较为粗略的输出,非锐化的边界会影响分割性能。为此,我们提出利用条件随机场对分割网络进行约束使得其输出更为细化的特征,最终提高迁移模型的性能。实验表明,本文提出的条件随机场方法能很好地改善整体迁移效果的边缘锯齿效应,对最终准确度有较为明显的提升。(2)针对迁移图像语义分割,提出一种基于空洞卷积的域鉴别器设计。域鉴别器网络的能力直接影响到迁移图像语义分割的性能。为提高域鉴别器的鉴别能力,我们在域鉴别器中引入了空洞卷积的结构,有效地扩大卷积核的感受野同时并不会增加额外的训练参数。实验表明,本文提出的空洞卷积域鉴别器方法对迁移图像语义分割算法有明显的性能提升。(3)研究了迁移语义分割中空间金字塔池化和多尺度融合应用于域鉴别器网络的设计问题。我们在常规全卷积域鉴别器的基础上,引入空间金字塔池化结构,有效移除网络固定尺寸的限制,同时能有效提取各个层不同深度抽象特征信息。实验表明,本文提出的空洞卷积域鉴别器方法对迁移图像语义分割算法有明显的性能提升。