语义分割是对对象类别,位置和形状信息的全面场景描述,在自动驾驶,医学分析和计算摄影具有广泛的应用。本课题研究了基于深度学习的语义分割算法。全卷积网络的引入,使得深度学习的方法远超传统算法的精度,但同时也存在一些网络本身所带来的至今仍未克服的问题,尤其高层语义信息和空间信息之间的矛盾。本文试图弥合低级和高级特征之间的差距,以优化上层分割过于粗糙的问题,从而显着提高分割质量。本文的研究内容可以概括如下:首先,针对网络为提取抽象特征而连续下采样导致的特征图分辨率过小的问题,本文利用不同扩张率的空洞卷积替换原网络中后端的普通卷积操作,既保持了各神经元感受野大小与网络对抽象特征的提取能力,又令分割结果的分辨率不至于太低。在此基础上,针对一般方法对图像像素独立预测的弊端,本文基于物体在局部上的特征表现相似往往同样在语义上呈现一致性的现象,提出了分层邻接依赖的概念。结合不同抽象表达的特征层中局部像素之间的依赖关系,把对像素的独立预测改为与周边像素的联合预测,使预测结果更紧凑,达到恢复分割细节信息的目的。其次,针对各层特征的组合优化问题,本文通过对各层特征分支在图像优化的效果差异研究,手动选择合适的特征分支,进一步用级联的方式使各层分支按由高到低、由粗到细的顺序依次对分割结果优化,计算方式简单高效,令修缮的效果起到一个叠加的效应,进一步提升了网络性能。最后,为使所选特征分支选择自动化,本文引入了针对像素级别的置信度策略,让网络在训练过程中自主的去选择合适的特征层,解决了在人工构建网络时因选取不佳的特征分支而影响分割精度的问题。与手动选择特定分支的方案相比,性能有略微提升。在PASCAL VOC 2012数据库上的实验表明,本文提出的语义分割算法与其他前沿算法相比,具有非常好的实验精度,尤其在细节恢复上有突出效果。