Les progrès récents en segmentation sémantique ont été impulsés par l'amélioration de la résolution spatiale sous les Réseaux Neuronaux Convolutifs Complètement Convolutifs (Fully Convolutional Networks, FCNs). Pour aborder ce problème, nous proposons un Réseau Déconvolutif Empilé (Stacked Deconvolutional Network, SDN) pour la segmentation sémantique. Dans le SDN, plusieurs réseaux déconvolutifs peu profonds, appelés unités SDN, sont empilés les uns sur les autres afin d'intégrer des informations contextuelles et de garantir une récupération précise des informations de localisation. Par ailleurs, des connexions inter-unités et intra-unités sont conçues pour faciliter l'entraînement du réseau et améliorer la fusion des caractéristiques, car ces connexions favorisent le flux d'informations et la propagation du gradient à travers tout le réseau. De plus, une supervision hiérarchique est appliquée lors du processus d'échantillonnage inverse de chaque unité SDN, ce qui assure la discrimination des représentations de caractéristiques et bénéficie à l'optimisation du réseau. Nous menons des expériences exhaustives et obtenons de nouveaux résultats d'état de l'art sur trois jeux de données, dont PASCAL VOC 2012, CamVid et GATECH. En particulier, notre meilleur modèle sans post-traitement par CRF atteint un score d'intersection-sur-union de 86,6 % dans l'ensemble de test.