图像语义分割是计算机视觉领域的关键任务，旨在为图像中的每个像素分配一个语义类别标签。随着深度卷积网络的快速发展，尤其是全卷积网络（FCN）架构的提出，语义分割的性能得到了显著提升。现有算法在精度、效率以及对小目标和复杂边界的处理上仍面临挑战。本研究聚焦于对现有深度卷积语义分割网络进行优化，以提升其综合性能。
本研究首先分析了当前主流语义分割模型（如DeepLab系列、PSPNet、UNet等）的优缺点。这些模型通常通过编码器-解码器结构、空洞卷积、多尺度特征融合等技术来捕获上下文信息并恢复空间细节。但普遍存在计算参数量大、实时性不足、以及对于精细边缘分割效果欠佳的问题。针对这些问题，本研究提出了一个结合了轻量化设计与注意力机制的优化方案。
在模型结构优化方面，本研究引入了一种改进的轻量化主干网络作为编码器，在保证特征提取能力的同时大幅减少计算复杂度。在解码器部分，设计了一个渐进式特征融合模块。该模块并非简单拼接或相加多层特征，而是通过自适应权重学习，有选择性地融合来自编码器不同阶段的特征图，强化对细节信息的利用，特别是对于物体边界区域。
为进一步提升模型对关键语义区域的判别能力，本研究在网络的瓶颈处嵌入了一种高效通道-空间双注意力机制。该机制能引导模型在通道维度上关注信息量丰富的特征通道，在空间维度上聚焦于目标物体所在的困难区域（如模糊边界、小尺寸物体），从而抑制背景噪声，提升分割的纯净度和准确性。
为验证优化算法的有效性，本研究在公开数据集PASCAL VOC和Cityscapes上进行了对比实验。实验结果表明，优化后的模型在平均交并比（mIoU）这一核心指标上均优于基线模型。在Cityscapes数据集上，相较于基准模型，mIoU提升了约2.1个百分点。模型的计算量（以FLOPs衡量）下降了约18%，实现了精度与效率的更好平衡。消融实验也证实了所提出的轻量化设计、渐进式融合模块及双注意力机制各自对性能提升的贡献。
本研究工作表明，通过精心设计的轻量化结构、渐进式特征融合策略与针对性的注意力机制，能够有效优化基于深度卷积网络的图像语义分割算法，在提升分割精度的同时改善模型效率，为语义分割技术在自动驾驶、医疗影像分析等实际场景中的应用提供了更优的解决方案。