景观湖水草的种植密度对于水质的修复具有至关重要的影响,合理的种植可以更快速的修复被污染过的湖水,人工修剪生长过稀或者过密的水草费时费力,采用自动化器械处理水草方便快捷,因此需要设计一种可以识别出水草分布的语义分割算法来引导自动化器械的操作。传统的图像处理方法操作单一且鲁棒性差,本文提出了一种基于ASPP结构的语义分割算法,该算法不仅在水草数据集上分割效果显著,并且在公开数据集表现优越,超越了传统算法和深度学习算法。本文算法首先在FC-Dense Net网络的基础上进行改进,对原网络添加特征提取器来改进分割效果,添加了特征提取器的网络与不同结构的FC-Dense Net在Cam Vid数据集上进行对比实验,取得了小幅度的精度提升,由此说明添加特征提取器对于改进模型分割效果具有促进作用。因此在添加特征提取器的模型上进一步改进,使用ASPP结构代替传统的卷积核,改进后的模型首先在自建的水草数据集上进行效果测试,利用四种不同的评价指标上对实验结果和取得的分割效果进行比较,结果表明FC-Dense ASPP比其他方法更具有优越性,可以准确的分割出不包含水草的底泥区域。在自建的数据集上,测试集的分类效果达到了76%的精确度。为了证明本模型的泛化性能,与其他模型在Cam Vid公开场景检测数据集上进行验证,获得了92%的分割精度。