越来越多的图像处理任务借助计算机完成,但图像中的像素数量巨大。为解决该问题,使用超像素表示图像,一个超像素包含多个颜色和空间相似的像素。由于超像素具有良好的图像表征能力和更高的计算效率,被广泛应用于计算机视觉任务。深度学习和端到端框架在包括计算机视觉在内的各个领域取得了重大进展,然而现有超像素算法无法以端到端的方式集成到后续任务中。现有算法包括传统算法和基于深度学习的算法。前者是不可微的算法,后者需要不可微的后处理步骤保证超像素的空间连续性,因此超像素的应用受到限制。基于此提出一种基于深度学习的超像素分割算法SIN（Superpixel Interpolation Network）,它能以端到端的方式与后续任务融合。后续任务如视觉跟踪等要求实时性,因此超像素分割算法应能快速生成超像素。为去除后处理步骤,提出的算法在超像素生成阶段直接保证其空间连续性。首先对图像中像素点采样以初始化超像素,接着通过多个更新步骤将其余像素分配给超像素。每个更新步骤由水平方向扩展和垂直方向扩展构成,扩展的方式类似于插值,该设计是保证空间连续性的关键。更新步骤所需关联分数为卷积网络的多层输出经过卷积分类器的结果。SIN生成的超像素具有空间连续性这一特性将会被详细阐述。运行时间分析的结果表明SIN以大约80fps的速度运行,视觉效果分析和数值分析的结果说明SIN生成的超像素质量与其它算法相近。此外,通过设计一个简单但有效的损失函数,模型的训练时间大大减少。将SIN超像素应用于语义分割和显著物体检测任务,实验结果的提升可以证明SIN算法的有效性。