语义分割是计算机视觉领域的核心问题之一，它是指机器自动识别图像，对图像进行像素级别的分类，为物体提供类别、位置和形态信息，在自动驾驶、遥感图像处理、医疗诊断和时尚搭配等领域有较好的应用前景，因此语义分割具有十分重要的研究价值。
　　本文对基于卷积神经网络的语义分割方法进行总结分析，对以下问题展开研究:第一，语义分割中存在较难训练的区域影响分割精度;第二，U型架构通过前后层特征融合，对细节信息进行了相应的补充，但没有考虑图像的上下文信息和前后层特征的差异;第三，在语义分割任务中，精度和速度同样重要，如何在速度和精度之间获得较好的平衡是一个较为重要的问题。上述问题对于提升分割网络的性能具有重要作用，本文具体工作如下:
　　(1)对目前存在的困难区域影响分割精度的问题展开研究，提出了一种困难区域挖掘的训练方法。无差别的训练方法使图像中困难区域训练不充分，进而导致了误分类问题。为了让模型在训练过程中增加对困难区域的关注，本文提出了一种困难区域挖掘的训练方法，该方法通过在训练过程中自动挖掘困难区域，增加对困难区域的关注，从而提高分割精度。由于是对训练方法的改进，因此适用于各种网络架构，且不会增加网络的推断时间。实验结果表明，该方法对不同数据集和不同模型，均可以有效增加分割精度，减少误分类情况的出现。
　　(2)针对U型架构的不足，提出了一种新的语义分割模型MSFFNet(Multi-scale feature fusion network)。该模型在U型架构基础上，引入上下文特征聚合模块(Context Feature Aggregation Module，CFA)和注意力模块(Attention Module，AM)，前者可以聚合上下文信息，后者可以增加前后层特征融合的有效性。实验结果表明，上下文特征聚合模块和注意力模块均可以有效提高分割精度。与现有的语义分割网络对比，MSFFNet可以在25FPS的情况下获得75.7％的平均交并比。
　　(3)综合考虑速度和精度，提出了一种快速语义分割模型Fasnet(Fast segmentation network)。Fasnet结合编码解码架构和稠密空洞空间金字塔池化模块的优点，有效地利用了多种信息。为了增加分割速度，对编码端、解码端和DenseASPP模块进行了不同程度的压缩，保证在有限的参数下，提取更多特征。Cityscapes数据集的实验结果表明，该网络可以在62.5帧每秒的速度下获得71.37％的平均交并比。速度精度对比图表明Fasnet在速度和精度上获得了较好的平衡。