视觉显著性是指关注场景中最突出、最明显、占有主体部位的对象。现有对人类视觉系统的研究证实最吸引人的对象会在视觉系统中更加显著。因此,利用视觉显著性对图像场景中最突出目标进行检测,并分割出每个实例个体,即为显著性实例分割（Salient Instance Segmentation,SIS）。显著性实例分割生成的显著图只与显著目标相关,符合人类视觉系统的普遍规律。现有显著性实例分割方法主要分为两类:一类采用聚类方式完成显著性实例分割;另一类是采用编解码结构实现显著性实例分割,其中编码器通过图像特征提取获得语义信息,解码器恢复空间信息来获得显著实例分割图。现有显著性实例分割方法主要存在以下三个不足:对尺度较大的显著性实例的框定不够精准,对尺度较小的显著性实例漏检导致无法分割,以及对重叠显著性实例的错误分割等。因此,为了解决上述问题,提出了两种基于编解码结构的显著性实例分割算法。首先,提出了一种注意力残差多尺度特征增强的显著性实例分割网络（Attention Residual Multi-scale Feature Enhancement Network,ARMFENet）模型,缓解了大尺度显著性实例框定不准,小尺度显著性实例漏检无法分割的问题。该模型在编码器中引入注意力机制,解码器中设计了一种特征增强模块,从而获得更加丰富的语义信息和空间信息。所提ARMFENet模型在显著性实例数据集SIS-1K上进行了验证,平均准确率平均值m AP0.5达到89.1%,优于S4Net等显著性实例分割算法。其次,提出了一种新的基于编解码器的多尺度显著性实例分割网络（Multi-scale Salient Instance Segmentation Network,MSISNet）模型,进一步解决重叠显著性实例的错误分割问题。其中编码器将空洞卷积串行排列以扩大多个尺度的感受野,获取丰富语义信息,解码器对各层特征进行平衡和融合来获得空间信息,从而使上述三个问题同时得到缓解。所提MSISNet算法模型在SIS-1K和SOC数据集上进行了验证,m AP0.5分别达到90.2%和62.7%,性能优于其他显著性实例分割模型。图39幅;表9个;参57篇。