La segmentación semántica de los anillos anuales es un tema de interés en la cronología de la madera. Para resolver el problema de la segmentación de los anillos anuales de madera en áreas densas y que se ven fuertemente afectadas por defectos como grietas y agujeros de gusano, este artículo construye un modelo DAF-Net++ que se basa en U-Net cuya red principal es VGG16 y está llena de enlaces de salto densos, CBAM y DCAM. En este modelo, VGG16 se utiliza para mejorar la capacidad de extracción de características de imagen, los enlaces de salto densos se utilizan para fusionar información semántica de diferentes niveles, DCAM proporciona orientación de ponderación para características superficiales, y CBAM resuelve la pérdida de información de muestreo descendente. Tomando un abeto chino como objeto experimental, se obtuvieron 1700 imágenes de TC de la sección transversal de la madera mediante equipos de TC médicos y se seleccionaron al azar 120 de ellas como conjunto de datos, que se amplió mediante recorte y rotación, entre otros. Se utilizó DAF-Net++ para entrenar el modelo y la segmentación de los anillos anuales, y finalmente se evaluó el rendimiento del modelo. El método de entrenamiento es entrenamiento de congelación seguido de entrenamiento de descongelación, y se toma la Pérdida Focal como función de pérdida, ReLU como función de activación, y Adam como optimizador. Los resultados experimentales muestran que, en la segmentación de imágenes de TC de los anillos anuales de abeto chino, el MIoU de DAF-Net++ es del 93.67%, el MPA es del 96.76%, el PA es del 96.63%, y la Recuperación es del 96.76%. En comparación con otros modelos de segmentación semántica como U-Net, U-Net++, DeepLabv3+, etc., DAF-Net++ tiene un mejor rendimiento de segmentación.