语义分割是对图像中的不同目标进行像素级的分割和分类,是图像处理领域中的一项重要研究,应用领域十分广泛。一个好的语义分割算法可以为后续算法的研究带来很大的促进作用。深度卷积神经网络在近几年的机器视觉中取得了显著的成效,在图像分类任务中取得了迅速的发展,屡屡刷新纪录,并超越了传统的算法,继而转移到语义分割任务中。深度学习应用于语义分割中,比传统的方法更具有优势,传统的方法只根据目标的某些特定的特性进行分割,比如:灰度、纹理、梯度等,具有很大的局限性。基于深度学习的语义分割能够提取目标的多种特征信息,从而进行密集预测,目标特征的提取是通过已经学习好的参数来进行的,且不需要对目标的特征进分析。所以将深度学习应用于语义分割中有很强的现实意义。针对密集预测的语义分割任务,本文提出了一种基于VGGNet网络的方法,这种方法在深层特征图像中融合了浅层信息,且采用并行的不同采样率的空洞卷积进行特征提取与融合,进行更有效的提取不同层的特征和上下文信息,从而提高语义分割精度。本文通过全连接条件随机场优化图像边界,进一步提高语义分割的精度。本文结果在PASCAL VOC 2012语义分割任务测试集中取得了71.3%mIOU的成果,优于之前的基于VGGNet的主要经典方法。