语义分割是计算机视觉领域中一个典型的研究方向,经常被用于地物识别、医疗诊断、自动驾驶等方面。语义分割用于解决像素级分类问题,即判断一张图像中每个像素的类别,属于监督学习方法。随着计算机设备的不断更新,基于深度学习的语义分割网络模型持续涌现,在图像识别领域取得了极大的成功。但图像中目标背景不均衡问题仍然影响着语义分割精度,即目标像元数量远远小于背景像元数量,导致网络模型训练时的参数会偏向背景类别,从而造成分类精度低。目前解决目标背景不均衡问题的方法被广泛应用于传统机器学习领域,在深度学习领域还没有系统研究,但从现有相关研究中可以概括为从数据增强、网络设计、损失函数设计三个方向来解决该问题,不管从中选择哪个方向解决深度学习中目标背景不均衡问题,都是一项有价值的工作。注意力机制可以提升网络模型对于待分割像元的关注程度,并以关系权值的形式赋予每个像元,像元权值越高则分类精度越高,从而提升网络性能。基于此,本文从网络设计的方向出发,以改进的101层残差网络为骨干网络,加入空洞卷积、残差注意力机制、Non-Local计算模式的注意力机制,构建适用于解决目标背景不均衡问题的语义分割网络模型。本文的研究内容如下:（1）网络设计基础。在设计深度学习语义分割网络模型之前,首先学习卷积神经网络与语义分割网络的构成单元及特点、上采样和下采样过程中感受野和特征图尺寸的计算方式、典型语义分割网络模型。以此掌握网络设计的基础与思路,为本文网络设计奠定坚实的基础。（2）针对目标背景不均衡问题,设计了一种基于改进残差网络与注意力机制的语义分割网络。首先分析残差网络与注意力机制的基本原理与网络构成、实验环境、训练参数、评价指标、数据集。之后结合空洞卷积与特征图分辨率的变化,改进了原始的残差网络,将其与Non-Local计算模式的注意力机制相结合,用以提升少数类待分割像元的关系权重。（3）为了进一步提升网络模型的特征提取性能,设计了一种结合双注意力机制的语义分割网络。首先引入一种轻量型的注意力机制,将其与残差单元构建为残差注意力机制,最后将残差网络中的残差单元替换为残差注意力机制,从而提升少数类待分割像元的关系权重。研究结果表明:基于改进残差网络与注意力机制的语义分割网络可以有效提升目标背景不均衡数据的分割精度。而结合双注意力机制的语义分割网络可以进一步提升网络模型的分割性能。