深度学习的飞速发展和图像数据的海量激增促进了图像语义分割的应用,同时,随着社会的智能化发展,图像语义分割在自动驾驶、面部分割、时装分类和农业智能化等领域有了宽广的应用。由于深度学习处理海量数据的优异性和处理图像的天然优势,使得基于深度学习的卷积神经网络成为了主流。基于卷积神经网络的图像语义分割方法分为图像特征提取阶段,图像特征融合阶段和语义分割图像预测阶段。当前主流研究方向是为复杂情景图像分割寻找更可靠的特征提取模块和更优良的分割模型,本文针对图像尺寸干扰,网络参数过多,图像特征信息利用不充分和融合方式存在缺陷等问题,提出了基于多级融合金字塔神经网络模型和基于双通道的多尺度特征神经网络模型,论文的主要工作如下:首先,对常用的图像特征和卷积神经网络原理进行分析,确立了本文在图像语义分割中使用的特征、基础方法和评价指标,并对不同场景的图像数据集使用合适的图像预处理。其次,对于传统的全卷积神经网络在图像特征处理中过于粗糙且参数多的问题,本文从图像特征提取和特征融合角度出发,对特征提取块和金字塔模块进行改进。通过优化特征提取模块,在不降低网络性能的前提下降低特征提取模块参数数量9.43%,此外使用空洞卷积模块改进金字塔模块,优化原有的特征提取和融合方式,使之更适合复杂的图像情景。随后,本文构建了基于多级融合金字塔的网络模型,经过消融实验和对比实验,验证了改进方法和模型的可行性,对比其他特征提取模型,性能提升了 1.8%。最后,提出了自适应权值模块和多级特征融合模块来增强图像特征融合,使特征图像能包含更多的图像细节信息和空间信息,减缓特征不断提取后的特征损耗。本文针对图像低层特征信息利用不充分的缺点,提出基于多级特征融合模块的局部特征处理通道和全局特征关联通道,构建基于双通道的多尺度特征神经网络模型。经过对比实验,确定了双通道模型的最优参数设置。本文模型在多个场景下的图像分割表现优秀,对比其他模型性能提升1.39%到1.91%,能够完成复杂情景图像的语义分割任务。