随着互联网和多媒体的快速发展以及信息基础设施的不断完善，图像数据呈现爆炸式的增长。如何高效地对图像进行语义解析以帮助图像的管理和应用具有十分重要的现实意义。图像语义分割通过对图像内容进行像素级别的语义理解，可以实现图像语义解析的最细粒度表达。图像语义分割作为计算机视觉中一个核心且基础的任务，在手机拍照、医学诊断、自动驾驶、遥感分割等领域有着广泛的应用前景。

图像语义分割需要模型能提取图像高层语义信息完成目标的准确识别，同时也需要模型能捕获空间细节信息来恢复精细的目标边缘等。全卷积神经网络的提出对于图像语义分割的研究具有里程碑式的意义，其通过预训练的图像分类网络来提取图像的高层语义信息，采用双线性插值的上采样方式来恢复分割结果的空间细节信息，从而获得图像像素级别的语义理解。尽管该算法获得了很大成功，但仍然存在一些问题和挑战。一方面，分类网络的连续下采样操作使得其输出特征损失了大量的空间细节信息，导致细小目标丢失且目标边缘比较粗糙；另一方面，分类网络输出特征的有效感受野有限，对高层语义信息的捕获能力不足，从而造成目标语义判别不准。解决这些问题的关键在于如何提高像素级特征的表达能力。人们对于图像中某一个像素的语义判别往往会依赖于包含该像素所在目标的上下文信息，因此准确捕获和有效利用这些上下文信息对于像素的识别至关重要。本文以全卷积神经网络为基础，通过设计合理的网络结构以及策略来显式建模上下文，使得特征可以同时学习到高层语义信息和空间细节信息，从而极大地改善图像语义分割性能。

本文的主要研究成果和贡献归纳如下：

1.针对反卷积网络中编码器识别能力有限、解码器不易训练的问题，提出了一种基于堆叠反卷积网络的深层网络模型。通过堆叠多个浅层反卷积单元来建模多尺度上下文，增强特征的高层语义信息和空间细节信息。在反卷积单元内和单元间引入多种合理且有效的跳跃连接来增强信息的流动和梯度的反向传播，从而实现多尺度特征的有效融合。通过引入层级监督来约束解码器的特征学习，提升特征判别能力。实验结果表明，该方法可有效改善细小目标和目标边缘的精确分割，并在多个数据集上获得同期最好结果。

2.针对反卷积网络在解码阶段侧重底层细节信息的恢复，而忽视特征高层语义表达的问题，提出了一种上下文反卷积网络。通过在高层特征的通道维度和空间维度上分别提取全局信息和局部信息，利用注意力机制将其转化为权重掩码并作用到高层特征上，引导网络增强高层特征的语义表达。在解码阶段通过融合不同层级语义的特征，提升反卷积网络对目标的语义感知能力。实验结果表明，该方法有效地改进了目标的误分类现象，且在多个数据集上取得了较好的性能。

3. 针对基于全卷积神经网络的图像语义分割方法中特征上下文建模不充分的问题，提出了一种基于关系感知的双重注意力网络来有效建模特征的关联上下文，提升特征的表达能力。具体地，利用自注意力机制分别来构建像素间和通道间的关联关系，根据不同维度的语义关联来自适应地加权特征，增强特征的语义判别能力。进一步地，通过在空间维度和通道维度进行特征融合，由此简化了关联关系建模过程，显著地降低了关联建模所带来的计算成本与显存成本。实验表明，该方法能有效应对复杂场景的语义解析并显著地改进细小目标的分割精度，且在多个场景数据集上的准确率高于同期其他方法。

4. 分析了网络中全局上下文和局部上下文在目标识别和细节恢复中的差异化现象，并由此提出了一种自适应地融合全局上下文和局部上下文的图像语义分割方法。利用全局上下文信息和像素特征之间的关联关系来构建像素感知的上下文偏好，然后通过学习合适的耦合策略，挖掘全局上下文和局部上下文之间的兼容性和互补性，促使网络更好地实现目标识别和细节恢复。实验表明，该方法能有效缓解大目标错分和小目标遗漏，同时在多个数据集上都取得同期最好结果。