图像语义分割是计算机视觉领域最重要的基础性技术之一,在移动机器人的场景理解、自主导航和灵巧操作等任务中起着至关重要的作用。然而,由于复杂环境存在非结构化、目标多样化、形状不规则化以及物体遮挡等多种干扰因素,给现有的图像语义分割精度带来很大的挑战;并且大部分的语义分割网络复杂度较高,无法高效地应用到计算资源有限的移动机器人等移动平台中。因此,在保证尽可能少的网络参数的同时,提高复杂场景中图像语义分割算法精度具有重要的意义。本文为工作在复杂环境下的移动平台提出了一种新的图像语义分割方法。该方法充分融合深度神经网络中每一层提取的卷积特征,使网络在精细的高分辨率特征图下进行预测。本文的主要创新点如下:(1)提出一种新的获取隐层卷积特征的模块,该模块可以从卷积神经网络的隐藏卷积层中提取有用细节特征信息。(2)为丰富卷积特征图,更准确的处理目标物体的边缘,采用不同采样率的空洞卷积提取图片多尺度高层语义信息,并与隐层卷积特征模块提取的细粒度低层特征进行融合。(3)提出一种创新的平衡精度及网络复杂度的图像语义分割方法架构,为复杂环境下图像语义分割问题提供一种新的解决方案。该方法在保证尽可能少的网络参数的同时,细化复杂环境下物体边界的分割,在模型精度和复杂度之间达到平衡,是一种具有高性能的端到端多尺度卷积特征网络。为验证方法的有效性,本文在公开的数据集SUN RGB-D和NYUDv2上进行了实验验证,结果表明本文方法在复杂场景语义分割任务上表现良好,且能够在保证较低网络参数量的情况下,实现精度的提升,在模型精度和网络轻量级之间达到了平衡。与最新的代表性模型Deep Lab v3+和Hr Net V2相比,本文方法在精度和参数量上均表现出一定优势。