Nous proposons un nouvel algorithme de segmentation sémantique par apprentissage d'un réseau de déconvolution. Nous apprenons ce réseau au-dessus des couches convolutionnelles empruntées au réseau VGG à 16 couches. Le réseau de déconvolution est composé de couches de déconvolution et d'upooling, qui identifient les étiquettes de classe au niveau pixel et prédise les masques de segmentation. Nous appliquons le réseau formé à chaque proposition dans une image d'entrée, et construisons la carte finale de segmentation sémantique en combinant les résultats de toutes les propositions d'une manière simple. L'algorithme proposé atténue les limitations des méthodes existantes basées sur les réseaux entièrement convolutionnels en intégrant un réseau de déconvolution profond et des prédictions par proposition ; notre méthode de segmentation identifie généralement des structures détaillées et gère naturellement les objets à différentes échelles. Notre réseau montre des performances exceptionnelles sur l'ensemble de données PASCAL VOC 2012, et nous obtenons la meilleure précision (72,5 %) parmi les méthodes formées sans données externes grâce à l'agrégation avec le réseau entièrement convolutionnel.