1.一种用于图像语义分割的SAUNet++网络，其特征在于：通过若干SER模块之间的下采样连接、上采样连接以及长\短跳跃连接形成U‑Net++网络结构，从而得到SU‑Net++网络，使得SU‑Net++网络具备一条下采样链路和不同深度的上采样链路以及用于合并特征图的跳跃连接网络；

所述SER模块为挤压激励残差模块，用于调整特征图的通道数和各通道的权值；所述SER模块包括挤压激励模块，并将SER模块的输入跳跃连接到挤压激励模块的输出形成残差连接；

在所述SU‑Net++网络结构的下采样链路的末端与最深层上采样链路的首端之间增加一个ASPP模块，从而形成SAUNet++网络；所述ASPP为空洞空间卷积池化金字塔，用于将所述下采样链路提取到的深度特征图转化为具有多尺度信息的多尺度深度特征图，并作为所述最深层上采样链路的输入。

2.根据权利要求1所述的用于图像语义分割的SAUNet++网络，其特征在于：所述SER模块首先使用C个1×1卷积核来改变通道数，然后通过两次3×3的卷积得到更深层次的特征图u，再通过全局平均池化实现挤压操作得到特征图z：其中，Fsq(u)为挤压函数，u为卷积后的特征图，H为特征图u的高度，W为特征图u的宽度；

挤压操作之后通过两个全连接层FC进行激励操作获得特征图S：第一个FC以r的比例对通道进行降维，通过激活函数后，第二个FC将通道个数恢复到原来的维数；

s＝Fex(z,W)＝σ(W2δ(W1z))其中，Fex为激励函数，δ为ReLU激活函数，σ为sigmoid激活函数，C为1×1卷积核的数量；

SER模块的输出表示为：y＝x+u×s；其中，x为SER模块的输入，y为SER模块的输出。

3.根据权利要求1所述的用于图像语义分割的SAUNet++网络，其特征在于：ASPP模块使用了采样率分别为1、2、4、6的空洞卷积来捕获多尺度信息，然后在通道方向上将特征图连接起来，并将叠加后的特征图提供给1×1卷积、BN和LeakyReLU以合成具有多尺度信息的深度特征图。

4.一种图像语义分割方法，其特征在于，采用训练集对权利要求1所述的用于图像语义分割的SAUNet++网络进行训练，将训练完成后的SAUNet++网络用于图像语义分割，包括以下步骤：

将SAUNet++网络的下采样链路的首端上的SER模块作为输入端，输入待分割图像并提取待分割图像的初始特征图I0；通过所述下采样链路逐步增大初始特征图I0的通道数并调整各通道的权值得到加权深度特征图，并输出加权深度特征图给所述ASPP模块；所述ASPP模块将所述加权深度特征图转化为具有多尺度信息的多尺度加权深度特征图，并作为所述最深层上采样链路的输入；

其余各层上采样链路获取在下采样链路上相应层深度的下采样特征图，重新加权并逐步还原为通道数和图像尺寸均与初始特征图I0相等的重加权还原特征图；

最深层上采样链路将所述多尺度加权深度特征图逐步还原为不同通道数的特征图并进行重加权，同时通过跳跃连接网络将相同通道数的特征图进行叠加，从而得到通道数和图像尺寸均与初始特征图I0相等的多尺度重加权还原特征图；

将SAUNet++网络的最深层上采样链路的末端上的SER模块作为输出端，将所述多尺度重加权还原特征图的通道数转化为与待分割图像的通道数相等，从而得到图像语义分割结果。

5.根据权利要求4所述的图像语义分割方法，其特征在于，采用损失函数GDL对所述用于图像语义分割的SAUNet++网络进行迭代训练。