在信息化的时代,计算机视觉技术解决了计算机理解现实世界的重大课题。作为连接计算机和现实世界的纽带,图像语义分割技术（Image Semantic Segmentation）起到了至关重要的作用。当前,图像语义分割技术在无人驾驶领域、地貌监测领域和医学影像病理判断等领域都有着举足轻重的地位,但仍存在如感受野固定、语义预测不一致性等问题。现有的图像语义分割方法仍旧难以很好的对目标物体进行一致性预测,为了提高图像语义分割方法的整体性能和语义一致性,本文基于当前主流的主干网Res Net展开研究,主要的研究工作如下:1.讨论多尺度融合算法的局限性,对其中的多尺度信息获取方法进行展开分析,提出使用位置注意力机制联合双线性插值下采样的方式对给定特征图进行多尺度信息的采集。通过联合位置注意力模块作为特征信息进一步提取的开关,对不同尺度的特征图收集其相应的特征信息,提高图像语义分割的精度与准度,从而进一步设计出鲁棒性更好的图像语义分割网络。2.针对跳层结构中存在的部分特征信息不能充分使用的问题,提出使用通道注意力机制完成浅层与深层信息的融合。通过将浅层与深层信息在通道维度上堆叠,使用全局平均池化和非线性激活函数Sigmoid等操作,完成深层特征信息对浅层特征信息的指导,最终二者相融合。在跳层结构中,设置一个通道注意力提取的过程,有助于深层与浅层更好地融合的同时,也将像素点之间的关联性进行了学习。3.针对计算机视觉任务中的注意力学习其存在计算量过大的问题,本文提出采用池化的方式替代注意力机制中原有的相关性矩阵的计算,尽可能减少计算复杂度。在通道和位置维度使用平均、最大和随机池化获取不同的特性信息,以较低的计算复杂度有效地提取具有鉴别性的特征信息。本文在ResNet上添加设计的模块构成新的图像语义分割网络。与此同时,针对相应的数据集进行消融实验,并将实验结果与一些先进的网络进行对比实验。通过实验结果的比较,上述所提出的图像语义分割方法具有更高的分割预测精度。