近年来,随着深度学习技术的不断发展,运用深度学习技术对图像进行语义分割已成为人工智能领域的热点研究方向,其研究成果也广泛地运用于自动驾驶、机器人导航、医学图像分析等。深度语义分割模型网络结构比较大,层数和参数数量比较多,所提取的不同层特征也是不一样的。浅层特征一般是图像低层次的边界特征,这些特征对于图像中物体的定位是很有利的。高层特征一般是高层次抽象的图像语义信息,这种特征有利于图像区域中不同物体的分类识别,但却丢失了较多的空间信息。图像语义分割不仅要给图像中不同的物体进行精确的定位分割,还要识别出它们的语义类别。因此,本文就如何利用深度分割模型高低层的特征以及如何改变模型网络结构、降低模型参数数量等方面进行研究。本文的主要工作和创新之处:(1)在Linux环境下搭建目前主流的深度学习框架Caffe。(2)针对深度分割模型网络结构庞大,计算复杂的问题,提出带有扩张卷积的语义分割模型,并设计其分割网络结构。运用扩张卷积来提取模型参数最多的FC6层的特征,在Caffe框架下搭建并训练该模型。实验结果表明,所提模型能够保持较高的分割性能,同时较大地减少参数数量和计算复杂度。(3)探究融合高层特征对于语义分割性能的影响,设计并改造模型结构。由于训练数据集的缺乏,采用迁移学习在公开的斯坦福8类户外场景数据集中训练FCN32s模型和融合高层特征的FCN32s模型、FCN8s模型和融合高层特征的FCN8s模型。通过对实验所得结果的比较和分析可知,适当的融合一些高层特征可以有效的提升语义分割的性能,如果融合的太多,对于语义分割性能的提升并不是很显著。(4)针对现今大多数深度分割模型在利用不同层特征时,只考虑对应像素位置处的特征进行简单相加的情况,提出基于加权融合的语义分割方法。该方法通过将VGG16分类模型改造为分割模型,并在上采样融合不同层特征时,新建一个权重控制模块,控制每个位置特征的融合。在Caffe框架下搭建并训练该模型,实验结果表明,所设计的模型能够更充分利用不同层的特征,更有利于不同物体边界和同类物体内部区域的正确分割,提升户外场景图像语义分割性能。