图像的语义分割是指根据语义信息识别出图像中对应物体的类别和位置,是计算机视觉领域的研究热点之一。相对于传统的图像分割算法,基于深度学习的分割算法不仅能自动的进行特征提取,还可以进行端到端的训练,分割精度和速度均有所提升。然而,由于室内场景的复杂性,室内场景的语义分割仍然极具挑战。随着深度相机的出现和发展,研究者们开始利用深度信息提高语义分割的精度。在这种情况下,本文针对室内场景的语义分割算法进行了研究,主要内容如下:1)针对目前大多数室内场景语义分割算法的融合方式过于单一,不能根据RGB和深度信息的特点进行融合的问题,提出了一种结合注意力的分割算法。该算法通过引入注意力机制的思想,设计了特征融合模块,首先利用残差卷积块加强网络对RGB和深度信息的局部相关性的学习,接着利用注意力机制完成RGB和深度信息的互补融合;同时利用多尺度联合训练,加速网络收敛,提高分割准确率。实验结果表明,该算法在室内场景的语义分割任务中表现良好,能够有效提高分割精度。2)为了降低网络的参数量和计算量,同时进一步优化图像的底层特征、挖掘深度信息,提出了一种高效的、基于深度感知嵌入的分割算法。该算法首先结合扩张卷积设计了特征提取部分,分为两个分支同时对RGB图像和深度图像进行下采样和信息提取;然后,对提取到的RGB特征图进行卷积信息重组,通过跨层融合的方式提升低级特征的质量,使网络获得的特征更接近标签,同时对深度特征图进行链式残差池化增强网络对几何信息的感知,使用学习到的权重对提取到的几何特征进行相加融合以增强几何信息的局部相关性;最后,设计了信息融合模块分阶段嵌入深度信息。实验结果表明,该算法相比结合注意力的分割算法,在保证分割精度的同时大大降低了网络的参数量和计算量,有效提高了网络的分割效率。3)为了使本文算法满足实时处理的要求,在基于深度感知嵌入的分割算法的基础上进行优化,通过缩减特征图的通道数降低网络的参数量和计算量,再利用改进后的卷积信息重组部分,利用深度可分离卷积扩展特征图的通道数以捕获更为丰富的细节特征和通道信息。实验结果表明,优化后的分割算法无论是分割精度还是速度都优于SegNet、双流加权Gabor等目前主流的实时分割算法。