人工智能的出现使人类的生产生活进入了智能化的时代。机器人取代了劳动力,可以替代人类完成危险繁重的工作;自动驾驶的出现可以让人类无需自己驾车;美图,修图软件也早已随处可见。而这些智能化的实现都离不开语义分割技术的研究。随着深度学习的快速发展,图像语义分割技术的研究也变得十分成熟,但是仍有诸多不足之处。近年来,语义分割的改进方式比较单一,大多数算法只在网络结构上进行变化,导致分割性能均没有明显的突破。训练数据的数量对于语义分割的分割结果也有较大的影响,语义标注困难,导致训练数据集数量有所限制,也同样影响了语义分割性能的提高。本文为了提高语义分割的性能,解决目标尺度相差大、类间特征相似、类内特征区别大,背景复杂等问题,构建了新型的针对任意尺寸的语义分割系统,并针对大尺寸的语义分割网络进行了结构和训练方式两方面的改进。本文首先对基于DCNN的特征提取网络进行了语义分割性能的对比,分别对经典的Res Net、在网络深度上有所改进的Dense Net和在网络宽度上有所改进的Xception Net作为特征提取网络构建了简单的语义分割模型并对其进行了实验,确定了Xception Net的最优分割效果,以此作为本文新型语义分割网络的基础。本文考虑到目前存在的语义分割网络,对于小尺寸的输入无法得到满意的分割效果,所以构建了对于任意尺寸输入均能取得满意效果的语义分割系统。该系统由大尺寸语义分割模型和小尺寸的语义分割模型构成。当输入图像尺寸的宽或高大于200时,图像输入到大尺寸语义分割模型中,该模型采用的Deeplab V3Plus,反之,图像输入到小尺寸语义分割模型中,该模型是本文提出的用于针对行人分割的简单网络。由于小尺寸的图像背景模糊且一般只够分割一种语义,所以本文提出的小尺寸语义分割网络只对行人进行分割。实验得到大尺寸的语义分割性能仍有待改进,本文从网络结构和训练方式上对其进行改进。网络结构方面,本文主要采用了注意力机制的思想。目的是希望通过注意力机制增强网络对关键特征的关注。在训练过程中,经注意力机制后,网络能够拉近有效特征的距离,放大有效特征的占比,从而使整个网络更关注关键信息,对于无效信息则可忽略。本文通过对注意力机制的理解,依据空间域注意力、通道域注意力和混合域注意力的原理提出了三类注意力模块。考虑到注意力模块可随意插入在网络中,所以本文针对融合过程和上采样过程共提出了六种注意力模块。实验比较了六种注意力模块的性能,根据实验结果,采用混合域注意力模块和特征提取性能最好的Xception Net相结合构造出新型编码器,采用通道域注意力模块与残差方式相结合构造出新型解码器,从而提出了新型语义分割模型。实验验证了新型编码器、新型解码器与新型语义分割模型的性能,均超过了Deeplab V3Plus。训练方式方面,本文采用对抗训练的思想,将对抗思想加入新型语义分割模型进行判别网络和生成网络的全监督训练,将对抗损失加入到生成网络中,优化了网络模型,再一次提高了新型语义分割模型的分割性能。在全监督训练模型的基础上,将半监督损失加入到生成网络,仅用小部分的带标签的训练数据实现了语义分割模型的半监督训练,解决了语义标注困难的问题。实验结果得出半监督的分割性能同样超过了全监督的Deeplab V3Plus,得到了较为满意的分割效果。