如何使机器系统具有像人一样强大的视觉信息处理和理解能力是计算机视觉的主要研究目标。近年来,深度学习推动计算机视觉向该目标迅速前进,但基于深度学习的方法通常依赖大量的带有标注的训练数据并且具有较大的计算量。与人类的视觉系统相比,计算机视觉目前面临着三个主要挑战:1.数据有限:人类从出生开始,日积月累地接受了海量的训练数据,而人们无法为机器学习系统收集如此海量的数据;2.计算资源有限:人类大脑可以快速地处理视觉信息,计算能力比最强的超算还强,而现实中的机器往往计算能力有限,尤其是移动设备;3.标注有限:标注数据是非常昂贵且耗时的,尤其是对于像素级别的图像理解来说。因此,如何在数据有限、资源受限、标注有限的条件下使机器能够理解无限复杂的真实世界成为了一个亟待解决的问题。为此,本文提出了知识引导的自适应图像理解。具体来说,受人类视觉系统的启发,本文提出用图像边缘、图像过分割、图像显著性、以及似物性采样等通用的图像属性知识来辅助机器对图像进行理解,以解决数据有限的问题。本文通过研究基于轻量级卷积神经网络的图像理解来降低深度学习的计算量,以自适应计算资源有限的环境。以通用的图像属性知识为基础,本文通过研究基于弱监督学习的图像理解来解决标注数据有限的问题。由于像素级别的图像理解最具有代表性和广阔的应用场景,本文以实例分割和语义分割作为应用验证。围绕上述分析,本文的主要研究内容和创新点如下:1.设计了基于多层次多粒度深度网络的图像通用属性提取方法,克服了目标任务数据有限的难题:（a）充分利用来自卷积神经网络所有卷积层的卷积特征,提出了基于更丰富卷积特征的边缘检测技术,是第一个在著名的BSDS500数据集上以实时的速度超越人类标注的边缘检测算法。相关研究成果发表于IEEE CVPR 2017、IEEE TPAMI、IJCV。（b）利用超像素包含比单独的像素点更丰富信息的特点,提出了基于分层区域合并的实时图像过分割算法;并进一步提出了基于深度特征嵌入学习的图像过分割算法,进一步提升了性能,且保持了较快的速度。相关研究成果发表于ECCV 2016和IJCAI 2018。（c）通过理论和实验证明显著性检测中广泛使用的基于深监督的线性融合不是最优的,并进而提出了基于深监督的非线性融合技术,从而提高了显著性检测的性能。相关研究成果发表于IEEE ICCV 2017、AAAI 2020、IEEE TCYB。（d）利用传统似物性采样算法的密集采样和深度学习的强大表征能力,提出了一种通过精炼传统方法的采样结果来生成少量且高质量的物体推荐的方法。相关研究成果发表于IEEE TPAMI、CVM、IEEE CVPR 2020、Neurocomputing。2.基于语义分割需要丰富的多尺度信息以识别自然图像中多变的物体的特点,提出了一个基于多尺度学习的高效的轻量级卷积神经网络模型,从而自适应资源受限的环境。相关研究成果发表于IEEE TPAMI。3.利用通用的图像属性知识,提出了一种基于多实例学习和多路割的弱监督实例/语义分割方法,所提出的方法同时在弱监督实例分割和弱监督语义分割两个任务上达到了目前最优的性能。相关研究成果发表于IEEE TPAMI。