随着自动化和智能化技术的飞速发展,图像语义分割这项重要的计算机视觉技术被应用到医学图像处理、自动驾驶、航空航天等众多领域当中。传统的图像分割方法仅能完成简单的语义提取,如区分目标和背景,划分目标边界等,而复杂应用场景任务则需要更多的目标定位和分类信息。伴随着深度学习方法的崛起,大量基于卷积神经网络的方法接替传统处理方法完成对图像的语义分割任务,通过对图像素进行分类标记实现对图像不同语义区域的分割。复杂的图像场景中目标种类多,尺度变化很大,具有小尺度的非显著目标存在分割不细致甚至漏分割的现象,成为精细化语义分割任务的一个难题。采用卷积神经网络的语义分割方法面临图像分辨率重建过程,其中简单的特征图融合可能导致较大尺度的目标间像素分割混淆问题。针对以上问题,本文提出一种特征增强U形卷积神经网络(Feature Enhanced U shape Networks,FEUNet),基于编码器-解码器这样的U形网络框架进行图像特征提取和图像分辨率重建,主要贡献点为:(1)在编码阶段设计局部特征增强模块(Local Feature Enhancing Module,LFE),通过空洞卷积差值突出用于分割较小尺度目标的局部感知特征,解决小尺度的非显著目标的漏分割或分割不细致问题;(2)在解码阶段设计全局特征增强模块(Global Feature Enhancing Module,GFE),通过全局池化操作提取网络深层每个特征通道的全局上下文信息,对浅层特征图进行全局特征增强,缩小两部分特征图的差异来改善它们之间的融合操作,解决目标之间区分性特征不足,导致的混淆分割问题。通过在公开数据集上的实验验证本文提出模块的有效性,并对比其它语义分割方法证明本文方法的优越性。为进一步提升模型的分割性能,本文在前面提出方法FEUNet的基础上引入弱监督学习分支,用于监督模型的基础网络充分提取所有种类的目标特征。采用图像级的类别多标签实现图像的多标签学习,辅助模型完成最终的语义分割任务。另外,在语义分割的精标注样本不足情况下,实现模型的弱监督及半监督学习。同时,在模型解码器的最后输出之前采用邻近空间信息预测,通过拓展特征图通道来解码更丰富的空间细节信息,引入少量参数情况下进一步提高解码器对分辨率重建的准确性。公开数据集实验结果表明改进后方法的分割性能得到了进一步的提升。