实例分割技术是计算机视觉领域中相对目标识别和语义分割而言更具有难度的任务,它不但要识别出目标对象的位置,还需准确地标记出每个目标对象的边界,从另一个角度而言,实例分割可以定义为同时实现目标识别和语义分割的问题。该技术能够获取非常丰富和精细化的目标对象的信息,在智能驾驶汽车系统、医疗图像辅助检测、遥感探测等诸多领域表现出重要的应用价值。近年来的一些实例分割技术将工作重点主要放在提升算法分割精度上,却忽略了快速识别分割的要求,另外也有一部分算法达到了及时分割的要求,却无法保证算法具有良好的分割准确率。除此之外,一些分割精度较高的算法常伴随庞大的网络结构和非常复杂的数据处理过程,占用大量的计算机硬件资源,造成一些边缘设备无法实现实例分割技术的问题。本文选择Yolact算法作为基础模型并对其做出一些改进。在仅使用一张GPU的情况下,训练出既能达到实时分割速度的要求,又能提升Yolact分割精度的网络。本文主要研究内容概括如下:（1）先针对近年来大量基于深度学习的实例分割算法展开调研,最终选择轻量级的Yolact算法作为基准网络,以保证分割速度满足实时性要求。然后对于Yolact算法中存在当主要目标对象中包含其他小目标时,存在被包含目标漏分割或者分割效果不佳的问题进行改进,从主干特征提取、目标检测和mask生成三个部分作为重点进行分析研究,最终确定改进点。（2）针对主干网络处理后的特征图能包含更多边界、语义信息,并能够在全局训练过程中学习整个数据集的每一类实例目标的特征,使提取的特征图拥有更丰富信息的问题,本文设计了EA注意力模块。此外,还对特征金字塔提取网络（FPN）进行加强设计,引入跳跃连接的方法,使传递给mask生成分支的特征图更为精细。最后,在对一些已有的激活函数进行研究后发现,部分激活函数存在无法激活神经元等问题,于是引入可通过网络自动学习激活函数相关参数并自动选择函数形式的自动适应激活函数。通过在COCO 2017数据集上训练和测试,基准网络Yolact在本文实验设备条件下复现的精度AP值为28.9,验证改进后算法精度值AP提升0.8,分割速度基本能够保证实时性,且与基准Yolact保持一致。实验表明本文的改进是有效的。