随着数字化和人工智能的快速发展,数据成为了计算机时代的重要资源,其中图像和视频数据的重要性也日益凸显,计算机视觉研究领域也越来越吸引研究者们的关注。图像语义分割作为计算机视觉研究领域中最重要的基本研究问题之一,其研究成果被广泛应用到实际生活当中,具有重要的学术价值和实践价值。随着深度学习的发展和普及,基于深度学习的图像语义分割方法已经取得了实质性的突破,但在图像边缘细节分割、高低层图像特征融合等问题上还需要进一步研究。传统图像语义分割技术通常是利用像素之间的相似性对图像中每个像素进行划分,在分割准确率和效率等方面已经满足不了实际需求,本文在研究现有图像语义分割模型的基础上,针对图像边缘细节分割、高低层图像特征融合等问题提出了结合超像素分割的多尺度特征融合图像语义分割算法和基于核共享卷积的改进图像语义分割算法。对于结合超像素分割的多尺度特征融合图像语义分割算法来说,首先在全卷积神经网络的基础上使用深度学习模型进行图像特征提取,之后利用本文实现的局部跨阶段多尺度特征融合模块进行多尺度特征提取和融合,然后使用解码器得到粗糙的语义分割结果,此外还在网络中加入了跳跃连接结构,用来增强网络的学习能力,最后利用超像素边缘优化算法模块对网络粗糙预测结果进行优化,得到完整的图像语义分割结果。对于基于核共享卷积的改进图像语义分割算法来说,首先在深度稠密网络Dense Net的基础上提出了全连接深度稠密网络作为算法的基础网络,之后在空间空洞金字塔池化模块ASPP的基础上提出了局部跨阶段核共享空间空洞金字塔池化模块,不仅增强了图像特征融合还降低了计算复杂度,最后将两者结合形成完整的网络模型进行训练。本文在实验过程中采用了图像语义分割常用数据集PASCAL VOC 2012和Cam Vid,通过分析对比在两个数据集上的实验结果证明了本文所提出算法的有效性和鲁棒性。其次在实验中本文还与一些优秀的图像语义分割算法进行实验对比,最终实验结果表明本文提出的改进算法不仅在主观观察效果上表现不错还在公认的评价标准PA和mIoU上有一定的提升。