图像数据与日俱增,海量视觉信息的输入对处理算法提出了更高的要求。作为图像紧凑表示的骨架可以简洁地展示图像前景的形态,在注重物体形状和对数据量要求比较严苛的领域发挥着重要作用。骨架提取技术成为了研究的热点。随着深度学习的发展,基于卷积神经网络的骨架提取算法进一步提升了算法的准确度。但是随着网络的加深,算法运行时间与内存占用快速增长,为了平衡训练消耗,需要在有限深度的网络上设计优化算法。针对现有算法提取骨架准确率不高的情况,本文对基于卷积神经网络的骨架提取算法进行研究与分析,提出相应的改进优化算法。根据在有限深度网络上可以有效提高学习能力的侧输出残差网络以及可以减少监督误差的可量化参数的骨架尺度,本文提出了一种新的端到端的骨架提取算法,结合骨架尺度信息的侧输出残差网络FSRN。该算法以VGG-16网络为基本框架,修改网络使其带有骨架尺度信息。然后从解码角度,通过降维、上采样、求和等操作逐阶段地向上融合特征。随后通过实验结果验证了算法的可行性。为了提高算法的准确性,本文通过堆叠FSRN单元形成阶梯结构,提出多路多监督的骨架提取改进方案,并增加监督层加速算法收敛。设计多组实验对比分析不同监督数量、不同融合路数、不同融合方向对算法性能的影响,选取综合表现最优的FSRN架构。为了进一步提升算法性能,从编码角度融合网络同阶段的相邻特征以增强特征表现力,剔除冗余浅层特征来提高算法运行效率。通过实验对比,验证了各种优化方案的有效性。实验结果表明,本文最终提出的融合同阶段相邻特征的自下而上3路3层FSRN可以有效提取图像中的物体骨架,并在多个公开数据集上具有比侧输出残差网络、融合尺度相关侧输出网络以及二次级联特征整合网络等算法更高的识别准确性,同时在收敛速度、资源消耗等评价指标上都具有一定的优势。