传统的轴对齐边界框在对自然图像中,尤其是密集场景中具有明显旋转方向的目标进行检测时,往往不能很好地贴合目标边缘,这个问题可能会对后续的检测分割造成较大干扰,并影响实例分割模型的检测和分割性能。这个问题在遥感图像的目标检测过程中更加明显,为此一些遥感图像的目标检测方法引入了定向目标检测的思路,通过重新定义旋转或者倾斜的定向边界框,减轻对于检测过程的干扰。本文将定向目标检测的思路扩展到通用的自然图像中,以原始的实例分割模型Center Mask为基础,设计了基于空间注意力、通道注意力、自注意力三种注意力机制的定向实例分割模型Ori-Center Mask。针对传统的轴对齐边界框在自然图像的目标检测过程中所遇到的困境,本文提出的定向实例分割模型Ori-Center Mask主要在Center Mask原有的全卷积单阶段目标检测网络FCOS上进行了以下几点改进:首先,对中心度分支和边界框回归分支进行了优化,结合方向感知对原有的中心度函数进行了推广,提出了一个能够适用于任意方向的定向中心度公式。其次,通过对比实验确定了一种定位性能更好的由中心到角点的定向边界框角点预测策略,对定向边界框回归分支做出进一步的改进。最后,并行增加了一个交互式分支,通过获取来自其他分支的特征图,输入自注意力模块进行整合,从而输出由自注意力导向的特征图,增强模型对于目标的定向边界框和分割掩膜的预测性能。本文通过多组对比实验和消融实验,对本方法中的主要创新性工作在基本的实例分割模型Center Mask中的作用和贡献进行充分的论证和分析,并从客观质量评估指标和主观可视化预测结果两个方面,证实了Ori-Center Mask相对于原实例分割模型在性能上的提升以及相关工作的有效性。