图像语义分割技术是目前计算机视觉技术领域中的热门研究方向,其研究具有重要的军事及民用价值。随着军事智能化要求的提高,语义信息发挥越来越重要的作用,这更加促进了语义分割技术研究的发展。本文以公开大规模数据集中的场景和物体作为研究对象,对图像语义分割算法展开了研究。研究重点内容包括以下三个部分:（1）介绍了语义分割技术的发展现状,对目前国际上主流的语义分割算法进行了归纳总结。在对目前国际上使用最广泛的两个二维语义分割数据集PASCAL VOC 2012数据集和Cityscapes数据集进行详细介绍的基础上,详细阐述了二维语义分割的重要评价指标。（2）针对全卷积神经网络算法的不足,提出一种融合超像素的图像语义分割算法。算法的深度神经网络模块采用金字塔池化结构融合多尺度特征,引入了一种新的监督损失策略;结合超像素分割SLIC算法,提出了一种融合超像素信息的语义标注策略。算法有效地融合了神经网络的高级特征与超像素分割的低级特征,在复杂场景上达到了良好的语义分割效果。（3）基于深度学习框架作为前端、概率图模型作为后端的思路,针对条件随机场模型存在的不足,深入研究了基于条件随机场的语义分割算法。深度学习前端框架引入Atrous卷积技术,设计了Atrous卷积空间金字塔模型;后端采用一种改进的条件随机场进行优化,并与现有的条件随机场相关算法进行对比。算法实现了深度学习框架与改进条件随机场的有效融合,在保证准确度基本不变的情况下极大地提升了算法时间,通过在标准数据集上的验证,实现了良好的语义分割效果。本文在充分调研现有语义分割算法的基础上,基于结合上下文信息的思路,采用了金字塔池化、Atrous卷积等技术,使用了超像素分割、条件随机场等手段,研究了两种不同深度学习框架下的算法。本文研究的算法取得较好的效果,具有一定的研究意义和应用前景。