图像语义分割在自动驾驶、场景理解、医学等方面有着广泛的应用,但现有语义分割技术具有图像分割边缘粗糙、分割精度不高、标签过程繁琐等问题,分割模型的泛化能力较低,且只能针对特定环境。针对以上问题,本文提出了基于双层级合并上采样方法,深度对抗神经网络的反馈式弱监督语义分割方法和直推式迁移学习的语义分割方法,提高了分割精确度,简化标签过程,提升网络的泛化能力,本文的研究对语义分割技术的广泛应用具有实际意义。首先,针对分割边缘粗糙的问题提出了双层级合并上采样的语义分割方法。采用深度反卷积的方法来替代语义分割网络中双线性插值上采样方法。分割网络通过学习多组上采样卷积滤波器,同时保存最大池化时的最大权值相对位置索引,将卷积滤波器中学习的信息与保留的最大权值位置索引相结合,利用深度对抗神经网络对分割网络的输出预测结果进行判别,从而使损失的细节信息得到弥补,提高分割边缘精度。其次,针对标签过程繁琐问题提出了基于深度对抗神经网络的反馈式弱监督语义分割方法。将训练数据集分为两部分,即带标签数据和不带标签数据,通过对带标签数据进行监督训练,对不带标签数据进行弱监督训练。利用深度对抗神经网络的判别机制,将监督训练的网络模型输出结果与弱监督训练的网络模型输出结果进行对抗训练。实验表明,本章方法减少了对带标签数据的人工标注数量要求,同时保证了分割网络较高的准确度。最后,针对特定环境下分割模型的泛化能力低的问题,提出了直推式迁移学习语义分割方法。使用基于双层级合并上采样的语义分割作为基线网络,源域和目标域数据分别同时通过基线网络中的卷积滤波器提取数据特征;将源域和目标域图像划分空间区域,利用城市场景图像中固有的空间结构改善两域之间的空间分布对齐问题;进一步将源域高层特征输出特征映射到目标域浅层特征空间内,经过对抗训练以减少源域和目标域在特征空间内的差异性。实验表明,通过对源域的网络迁移到目标域上,源域数据训练得到的分割模型在目标域上也能够得到较好的分割效果,提高了目标域数据在分割网络上分割预测的准确度。