图像语义分割是目标识别的一个重要研究课题。它的算法性能直接影响图像分割的精度。本文以FCN算法和Deeplabv3+算法为基础,对图像语义分割进行研究,主要研究工作及结果如下:（1）针对FCN算法采用连续卷积和池化操作进行特征提取,存在大量细节信息丢失的问题,提出一种“改进的基于多层级上下文信息的图像语义分割模型”,以使特征有效提取和利用。设计一种“多层次上下文特征提取网络”。在网络浅层,加入多尺度特征提取模块,使得提取出的特征对分割结果更加有效。在网络深层,设计一种多尺度池化模块,有效提取多个尺度的特征信息,以增强网络的推断能力。鉴于特征之间的差异性,在不同层级间,引入“全局注意力机制”,采用高层特征提供的语义信息关联底层特征。在不同层级的特征中,筛选出部分特征信息进行融合,从而有效地提升语义分割网络的分割精度。在PASCAL VOC 2012数据集上,论文提出的“改进的基于多层级上下文信息的图像语义分割模型”的实现算法的平均交并比达到74.6%,与FCN-8s算法相比,提高12.4%,像素精度提高6.49%。实验结果表明,前者算法有更好的分割性能。（2）针对Deeplabv3+算法存在的不足,对其编码器和解码器进行改进,提出一种“基于编码器解码器的图像语义分割模型”。在编码器中,为了提取更有效的多尺度上下文信息,优化Deeplabv3+的ASPP模块。在解码器中,引入“多阶段特征融合网络”结构,采用多阶段特征融合的方式,获取特征提取网络不同阶段的不同尺度的特征,以改善分割效果。在模型训练过程中,构造损失函数,采用Focal Loss损失函数,替代交叉熵损失函数,以克服数据集样本不均衡的问题。在Cityscapes数据集上,论文提出的“基于编码器解码器的图像语义分割模型”的实现算法的平均交并比达到81.9%,与DeepLabv3+算法对比,提高2.3%,像素精度提高7.57%。实验结果表明,前者的网络分割性能更优。比如,对小目标的分割更加清晰。综上所述,论文所给出的研究结果可用于目标识别,以及自动驾驶等实际应用领域。