图像语义分割是当前机器视觉领域中的一个重要研究分支。近年,结合深度卷积神经网络的图像语义分割开始成为研究者们的研究重点,但是随着研究的深入,基于深度卷积神经网络的分割算法逐渐暴露出漏分割图像中的目标,分割结果不够精细等问题。针对上述存在的问题,本文进行了大量调研。调研中本文发现,基于条件随机场的图像分割在目标的边缘分割结果上表现得较好;而结合注意力模块的深度卷积神经网络拥有对图像的语义特征的优秀表达能力和对目标优秀的检测能力。基于上述认识,本文的主要研究内容如下:1、结合深度卷积神经网络和全连接条件随机场的优势,以二者作为本文算法的基础组成部分,设计出一种既包含图像的全局语义信息又包含图像的局部细节信息的语义分割算法框架。2、注意力模块对图像的特征之间的相对重要程度进行了重新计算,能够凸显图像中目标所属区域。本文根据注意力模块对图像中的目标特征的良好的表达能力,设计深度神经网络结合注意力模块的网络拓扑结构。3、根据条件随机场的马尔可夫特性,基于全条件随机场的图像分割技术在图像的细节部分分割得较好,从而为语义分割结果不够精细的问题提供了思路,本文利用条件随机场模型能够建模图像细节信息的特性,设计目标的空间上下文像素级建模方法。4、条件随机场局部信息建模与深度特征融合技术的研究。深度卷积神经网络得到的概率得分图包含了全局语义信息;全连接条件随机场能够很好地基于图像的语义信息建模图像的像素之间的关联,提取图像的局部细节信息;通过在概率得分图和原始图像上应用全连接条件随机场实现局部信息和全局信息的有效结合。最后本文在不同实验数据集上分别进行了语义分割和目标区域分割的实验,实验结果表明本文方法能准确分割出图像的边界,得到较完整的目标区域,有效解决了单纯使用深度特征带来的分割边界粗糙的问题以及在一定程度上抑制了漏分割图像中目标的问题。