人体分割,是将人体从包含人体的图像中分割出来,并根据图像本身的特征提取出人体图像信息,这里的特征包含两个方面:1、图像所表达的场景;2、图像中人体所在的位置。日常生活中,无论是智能监控系统、人机交互、街道场景分析等都离不开计算机视觉技术,计算机理解人体动作和行为必将成为未来计算机视觉技术的一个重要发展方向。人体图像分割作为人体行为理解和分析的基础,对分割的准确度及实时性都有较高的要求,目前人体图像分割的方法大多只能保证其中一项指标,使得人体图像分割在实际应用上受到很大的限制。在深度学习广泛应用于人体图像分割领域之前,传统的人体图像分割方法一般是直接利用图像像素值进行操作,分割效果的好坏直接取决于分割临界点阈值的设定,因而其计算简单高效,但是其局限性也是显著的,主要原因是由于人工设计的特征并不能很好的表示图像信息,对于包含复杂背景的人体图像分割效果的鲁棒性较差,这也进一步的限制了该方法在实际中的应用。随着深度学习在人体图像分割领域研究的逐渐深入,实践证明其效果明显优于其他的非深度学习的方法,考虑到人体图像分割本身的复杂性,目前在该领域仍有很大的研究潜力。本文通过在多种网络结构下训练人体分割模型,对不同的网络结构在人体图像分割领域的应用做了对比评估,进而提出一种融合目标区域的人体图像分割网络,该深度学习网络不仅利用了卷积神经网络强大的特征提取能力,将最后输出的卷积特征直接上采样得到输入图像特征与每个像素点的一一映射,实现像素所属类别的预测,而且通过融合目标区域特征,最大限度地避免了背景区域对分割结果的干扰,有效提高模型性能。本文在百度人体图像分割数据库和Pascal VOC数据库上,对提出的人体图像分割算法和传统的人体图像分割算法进行对比试验,在相同的实验数据及硬件条件下,分析和展示了实验结果,与现有的人体图像分割方法相比,在重叠率和实时性上获得了比较好的平衡,人体图像分割的效果有较大提升,显示出较好的实用价值。