随着物联网、人工智能技术的发展及在各个领域的广泛应用,致使产生了海量图像数据,如何快速、准确地理解图像内容,并依据应用场景要求自动分割出图像的目标区域已成为众多研究者关注的焦点。近年来,基于深度学习的图像分割方法得到日益发展,其主要任务是在给定的图像中检测出是否包含某类目标物体,并标注出图像中每个像素所属的语义类别,描绘出每个物体的边界,最终获得一幅具有像素语义标注的分割图。当前,图像分割在自动驾驶、机器人工程中得到普遍应用,并成为计算机视觉中的主要研究任务。本文深入研究并对比了国内外图像分割相关算法的研究成果,分析当前方法在实际场景中存在的分割精度低、计算效率低、存储开销大等问题,聚焦于分割精度低的问题,本文提出了一种基于编解码的DeepLab-IRCNet图像语义分割算法。主要研究内容包括:(1)通过对基于编解码的图像语义分割算法进行研究,本文在Deeplabv3+模型的基础上引入特征图切分模块,提高模型对小目标物体的关注,改善分割精度低的问题。(2)针对未能充分考虑图像的上下文信息,采用空间金字塔池化技术,捕获图像上下文信息,以及局部特征和全局特征的利用率失衡等问题,对多个尺度下的各个中间层特征进行进行融合,改善了分割结果。(3)针对无人驾驶领域,使用CamVid数据集,设计了一个图像语义分割系统来验证本文算法的有效性。