图像语义分割是计算机视觉中的核心任务之一,是场景理解的基石。在自动驾驶、图像编辑、图像检索、增强现实等方向中有着非常广泛且重要的应用。其任务简而言之是对自然图像中的每一个像素点进行分类。当前随着深度学习在计算机视觉的各类应用中取得了巨大的成功,大量基于深度学习的图像分割算法也相继被提出,其中最受瞩目的是2015年Long等人提出的全卷积神经网络。全卷积神经网络通过端到端训练从大量数据中学习任务相关的特征,在图像语义分割任务中取得了比较好的结果,成为了本领域的技术基石。但其学习到的特征依然面临着以下问题:1)表征多尺度物体的能力不足,不能很好的处理图像中存在的各种尺度的物体;2)感受野不足,对超出神经网络最大感受野范围物体的分割性能低;3)细节信息不足,对物体边缘等细节部分的分割结果不够好;4)特征的学习依赖于大量的像素级标注数据,标注代价很高。针对上述的不足,本文从融合不同信息以提升特征表达能力的角度出发,探索了图像语义分割中的特征融合方法。本文主要内容包括:（1）研究了多尺度特征对图像分割性能的影响。图像中存在各种尺度的物体,基于全卷积神经网络的方法一般只能从数据中学习到特定尺度结构的特征,对其他尺度的物体分割性能不够理想。本文设计了一个包含多个子网络的尺度自适应网络,使用尺度敏感的监督信息驱使每个子网络学习对应尺度的特征,并在尺度信息的指导下进行多尺度特征的融合,提升了特征表征多尺度物体的能力。在多个语义分割数据集上的实验表明:本文提出的尺度感知的特征融合方法能够有效应对图像中物体尺度的变化,极大提升物体尺度变化大的分割性能。（2）研究了全局感受野对于图像分割性能的影响。全卷积神经网络由于卷积局部连接性导致感受野受限,不能很好的处理超过感受野范围的物体或场景的分割任务。本文提出了十字型注意力网络,通过相似性感知的特征融合方法,高效的为每个像素点收集合适的全局上下文特征,获取全局感受野,在多个场景分割数据集上表现出很好的性能。（3）研究了具有丰富细节信息的特征对于图像分割性能的影响。神经网络中越靠近输出层的特征的语义信息越强,细节信息越少。为了增加特征中的细节信息,通常采用融合不同层特征的方式。但不同层的特征之间存在空间未对齐问题,影响细节信息与语义信息的融合效果。本文提出了空间对齐的特征融合方法,进一步提升了分割网络的性能,达到当前最好的分割结果。（4）为了减少图像语义分割对像素级标注的依赖,本文将弱监督学习运用于语义分割任务中,仅使用图像级标注数据训练分割模型。传统方法先通过训练分类网络构建图像级标注与少量像素间的对应关系,得到有标注的种子区域,然后使用种子区域训练分割网络。本文为了丰富像素级监督信息,提出了融合深度特征的区域生长弱监督语义分割方法。本文从种子区域出发,基于分割网络提取的深度特征进行邻域像素的相似性度量,实行更加鲁棒的区域生长,逐步的丰富像素级监督信息。实验结果表明融合深度特征的区域生长的弱监督语义分割方法超越了之前所有的弱监督语义分割方法,达到当前最好结果。本文分析了全卷积神经网络提取的特征存在的不足,提出了一系列特征融合的方法,有效的解决了单一特征表达能力不足的问题,极大提高了语义分割的性能,为后续图像语义分割相关研究奠定了基础。