随着深度学习的发展,大规模的遥感影像和自然影像数据集让图像分割算法在更多领域得到应用,但是样本的多样性也给分割算法带来了一定的挑战,其中如何解决跨尺度特征融合以及多尺度目标分割一直都是学术研究的热点。考虑到现有基于深度学习的图像分割算法存在的问题,本文针对目标分割的难点,从特征提取网络、高分辨图像恢复、几何特征学习等方面提出了改进方法。主要研究内容如下:1、提出一种基于自适应提升小波融合网络的多尺度影像分割方法,主要用于解决自然影像中目标尺寸大小不同的问题,同时为神经网络加入可解释的特征信息。利用能够给出完全空间域解释的提升小波构建自适应小波多分辨网络,提取不同尺度的图像高低频信息,让图像的轮廓特征更加明显。网络可以在保证颜色、亮度、纹理、几何形状等信息不损失的同时增加轮廓信息,提升分割效果。在COCO2017分割数据集上进行实验,结果表明本方法相比与MNC、Mask R-CNN、Polar Mask、PANet等模型,分割精度提升了1.3%～53.6%。2、提出一种基于亚像素卷积网络的弱小目标分割方法,主要用于解决图像分割中小目标分割不理想的问题。亚像素卷积网络是一个超分辨率网络,可以将尺寸小的模糊图像上采样到精细图像,插值函数被隐藏的包含在亚像素卷积的周期筛选过程中,减少网络的人工痕迹。通道重组操作可以使网络学习到一个更好的从低分辨率到高分辨率的映射,学习到一个更可信的区域细节信息,从而达到提高重建正确率,减少内存消耗,增加网络运行效率的目的。在COCO2017和i SAID数据集上,本方法与Mask Lab、PANet、Mask R-CNN等相比分割精度提高了4%～72%。3、提出一种基于深度可变形特征学习网络的影像分割方法,主要用于解决分割网络对图像几何形变适应性差的问题,让网络具备更强的形变建模能力。网络的感受野包括更多的前景区域,增强了网络的定位能力,学习目标的空间变形。采用的判别性注意力机制使得网络在具备学习空间形变能力的同时也具备了区分采样点重要性的能力,自适应地给更加具备判别性的采样点分配更高的权重,让网络获得自适应物体形态变化的特征表达能力,从而提升物体检测和分割的精度。在COCO2017和Cityscapes数据集上,本方法与Mask Lab、Polar Mask、DWT、DIN、Mask R-CNN等相比,分割精度提高了2.6%～60.1%。综上所述,本文对于图像实例分割方法进行研究,实验结果证明了提出方法的有效性,说明研究成果具有一定的实际意义。