近年来,机器学习是人工智能方向的主要研究要点。随着机器学习的被高度重视,计算机视觉相关的研究也在迅速推进之中。在深度神经网络被提出之后,包含卷积的网络已被证明在图像的识别、分割以及物体定位上是非常有效的方法。无论是在交通、医疗、航空、刑侦以及日常生活中,计算机视觉领域都有着非常重要的地位。因此,利用深度神经网络算法实现有效的计算机视觉模型具有很高的应用价值。传统的图像分割方法通常需要经过大量繁杂的人工手段,并且具有很低的通用性,同时传统的图像分割方法在有效性上也有一定的局限性。随着深度网络的出现和进一步发展,图像的语义分割方法被提出。语义分割是对图像进行像素层级的分类,即对图像中的每个点进行分类。基于深度神经网络的图像语义分割相较于经典图像分割方法更高效并且有更好的分割效果,因此如何实现并优化应用于图像语义分割的深度神经网络是现在的研究热点之一。本文通过大量相关技术的研究,并开展充分的相关调研工作之后,构建并优化了一种基于全卷积神经网络的图像语义分割模型。该模型通过将传统的卷积网络中的全连接层替换为卷积层,与上采样层相结合,使用带有标识的多场景图像数据集进行模型训练,将训练模型应用于包含不同目标的图像的像素级分割,并通过编写测试模块实现测试结果可视化以及测试集图像的分割结果上色。实验所采用的用于训练的数据集除了已有的开源数据集之外,还添加了大量的同类自制的包含标签结果的图像。实验过程运用包含预训练的训练模式以达到更快更好的收敛效果,在训练时使用自适应的学习率和小批量图像以适应大数据集的训练。最终通过将本文模型的分割结果与传统模型的分割结果相对比,证明了本文优化后的全卷积神经网络训练模型对于不同场景图像中的目标的分割具有更高的有效性和鲁棒性。