在数字图像处理领域,图像分割技术一直是众多研究方向中的一个热点和难点。图像分割技术的研究工作起步于20世纪60年代,经过多年的发展,针对图像分割问题的算法层出不穷。这类图像分割算法通常是基于颜色、纹理或者形状等底层信息进行图像分割,往往会忽略图像中的空间信息和语义信息,因此只在某些特定类型图像的分割上有着较好的效果并不能适用于所有的图像。针对上述问题,提出一种基于区域建议网络的图像语义分割算法。该算法通过结合区域建议网络和全卷积分割网络两种深度卷积神经网络,更好地实现了对图像空间信息的保留和语义信息的提取。全卷积分割网络将像素级标注的图像作为输入,使用卷积层进行图像特征的提取,并利用上采样方法将提取到的特征恢复到原图像尺寸。针对全卷积分割网络在训练和测试的过程中存在的像素级标注的训练数据短缺以及图像的分割效果粗糙、细节缺失等问题,在现有的网络框架上引入区域建议网络实现了一个联合网络模型,即RPN-SegNet。利用区域建议网络产生的包含类别标记信息的区域建议框可以有效地增强全卷积网络分割模型的图像分割性能并改善图像的最终分割效果,同时也可以实现一种弱监督学习的方法来弥补训练数据的短缺。另外,在RPN-SegNet模型框架中引入二值化网络算法,通过对网络层输入数据和权重滤波器的二值化处理来解决深度卷积神经网络运行效率低、内存占用过大等问题。基于区域建议网络的全卷积分割网络在数据库PASCAL VOC2012上分别进行了五类、二十类的图像分割任务实验。实验结果表明,该网络模型有效地将像素点的分类正确率提高了近五个百分点,并得到了更精细的分割效果。同时,实验结果也表明二值化网络算法有效地提高了RPN-SegNet网络模型的图像分割效率并降低了网络模型的内存占用率。