图像语义分割旨在实现图像像素级分类,即为图像中的每个像素分配类别标签,计算机通过图像语义分割算法将图像分为不同的区域,每个区域都是一类对象,并且为区域标注类别信息,为进一步理解图像奠定基础。近年来,基于深度学习的图像语义分割算法取得了较大成功,本文首先研究了具有代表性的图像语义分割模型,并在此基础上改进了UNet网络模型。为了提高卷积神经网络（Convolutional Neural Networks,CNNs）的特征表达能力,将通道注意力机制和空间注意力机制嵌入到UNet网络中,提高了分割的平均交并比m Io U;为了扩大感受野,聚合多尺度上下文信息,将UNet编码器中的普通池化层替换为空洞卷积池化层并且在解码器后加入空洞卷积金字塔层,改善分割效果;为了获取全局上下文信息,将CRFs条件随机场模型加入到Seg Net网络中端到端得训练,得到更加清晰的分割边界。（1）提出了基于CBAMUNet的图像语义分割模型,通过在编解码器UNet网络的跳跃连接中嵌入CBAM注意力模块,解决UNet网络特征提取能力较差,分割效果不好的问题。预训练分类模型VGG16去掉全连接层作为编码器,下采样提取特征;CBAM通过显式地建模通道和空间的相互依赖性重新校准编码器输出的特征图,达到了跨通道和空间提取图像特征的目的;解码器上采样特征图并且融合经过CBAM调整后的高质量特征图。通过和UNet的对比实验发现,CBAMUNet能够明显改善图像的分割效果,提高图像语义分割的精确度（PA）和平均交并比（m Io U）。（2）针对图像中较小目标在分割过程中容易丢失的问题,将UNet编码器的池化层替换为空洞卷积层,采用逐级递增空洞率的空洞卷积池化层代替标准池化层,减少池化操作导致的特征缺失。实验表明,上述方法提高了Cam Vid数据集上小目标的m Io U,改善了总体分割效果。（3）在（2）所述方法的基础上,提出了基于空洞卷积金字塔的图像语义分割模型Aspp UNet,通过级联不同空洞卷积系数的空洞卷积层构成空洞卷积金字塔模块,将该模块插入到UNet网络中解码器的后面,聚合多尺度特征图,实验表明,Aspp UNet模型针对不同尺寸的目标具有较好的分割效果,有效提升了分割的准确性。（4）针对分割目标边界不够清晰导致语义不明确的问题,提出了基于Seg Net WithCRFs的端到端网络模型,将具有高斯二元势（Gaussian Pairwise Potentials）和平均场估计（Mean-field Approximate Inference）的概率图模型条件随机场（Conditional Random Field,CRF）作为Seg Net网络的最后一层,使得该模型同时具有深度神经网络（Deep Convolutional Neural Networks,DCNN）和CRF的特性,充分考虑了特征,外观的一致性,并且在一个深度神经网络中,统一进行训练,避免了对图像进行单独的后处理,实验证明,Seg Net With CRFs模型能够使分割目标的边界更清晰,获取的图像语义信息更准确。本文提出的模型能够有效提高编解码器网络的特征提取能力,改善网络的分割效果,推动图像理解相关任务的发展,以及图像语义分割在自动驾驶和精准地图等方面的应用。