随着科技的不断发展,计算机视觉逐渐成为人工智能领域重要的研究分支。在计算机视觉研究中,基于图像的语义分割问题研究较为普遍。相对图像而言,视频中蕴含更加重要的时空关联信息。视频语义分割旨在处理连续的视频序列,利用视频帧间关系进行精准分割,在智能监控、汽车自动驾驶、移动端设备开发领域具有重要的应用价值。该文针对视频语义分割中存在的分割精度不足、模型尺寸过大问题展开研究。首先,考虑到图像中小物体分割困难、物体边缘分割不准确问题,提出了基于多尺度的视频语义分割算法。该算法基于全卷积神经网络模型(fully-convolutional neural network,FCN),以视觉几何组网络(Visual Geometry Group Network,VGG)深度卷积网络为基础,采用半监督的方式实现图像内前景和背景的分离,达到持续传递语义信息的目的。算法的关键是结合了在线训练与离线训练来提升模型的总体分割精度。在线训练阶段,给定视频序列第一帧的图像和标签,对其进行微调训练。针对视频序列的帧间关系,对网络的输入新加入额外的掩膜通道,模拟帧和帧之间物体运动的轨迹信息。针对卷积网络下采样丢失精度的问题,对深层特征网络引入空洞卷积,取消了网络的最大池化操作,并采用多尺度特征融合连接方式,将深层特征与浅层特征融合,加快网络的收敛速度和模型的总体分割精度,通过实验验证了算法的有效性、可行性。然后,考虑到生成模型的尺寸过大导致的应用性较差问题,提出了轻量级的视频语义分割模型。利用深度可分离卷积网络设计了一款轻量级的卷积神经网络。此网络与主流卷积网络相比,省去大量的参数和计算,模型所占的内存空间也大幅度减小。这使得深度卷积网络的模型能更方便的应用到实际产品中,提高了深度学习卷积网络在实际应用中的利用率,通过实验验证了算法的有效性、高效性。