图像语义分割技术是计算机视觉的核心任务之一。近些年来,图像语义分割技术已经在自动驾驶,智能机器人,医疗图像等领域取得了重大的进步。语义分割的目的是为图像中每一个像素都分配一个类标签。不同于以前的传统图像分割的方法,基于深度学习的图像分割网络能够自动的在网络训练中提取图像的信息。在本文中,深入探索长范围的上下文依赖信息和注意力机制相结合的语义分割工作。在以前的工作中,双重注意力网络通过把全局的特征融入到局部来获取长范围的特征依赖。然而,双重注意力网络的计算量非常大。本文把超像素池化模块引入到自注意力机制中,通过超像素池化操作,每个局部位置能够捕获长范围的上下文信息。通过超像素池化的操作,明显的的减少了注意力机制模块的计算量,而几乎不影响最终的语义分割的结果。本文主要的工作如下:（1）本文使用了一种基于密度峰值的方法来生成超像素分割算法。通过计算每个像素点的密度值和密度更大点的最小距离来生成聚类中心点,然后再根据到聚类中心点的距离再将每一个像素配到对应的聚类中心点,完成了超像素生成算法的操作。（2）本文提出了一种基于超像素池化的快速语义分割网络。该网络一共有两个注意力分支,位置注意力模块通过计算一个空间注意力矩阵将全局的上下文信息引入到局部位置。而对于通道注意力来说,通过计算一个通道注意力矩阵,来加强各个通道中所表示的具体的语义信息。