目标检测和目标分割是计算机视觉领域中两个关系密切的研究方向。目标检测的目的是将图像中的物体检测出来,而目标分割是将图像中的物体的轮廓分割出来。语义分割是将一张图片分割成不同种类的物体,每一种类可能包含多个相同属性的物体。实例分割则是一种对图像中每一个需要检测的物体都进行单独标注和分割的图像分析方法。实例分割由于需要将每一个目标物体的轮廓标注出来,是一个研究难题。目前的研究在这一领域虽然取得了一定的进展,但是很难获取具有复杂轮廓的物体的精确目标边界。这是由于卷积神经网络中的下采样和上采样过程会损失物体边界上的语义信息。所以本文研究设计了一种创新的方式,来更精确地分割图像中的物体。主要工作如下:首先,本文针对目前最流行的几种基于深度学习的目标检测和实例分割算法,如MASK R-CNN、Yolo、Deep-lab等,进行了测试和研究。发现分割的误差主要来源于物体的细小部分。因此本文提出了一种利用如角点等关键点特征来强化实例分割的方法。基于MASK R-CNN的标准网络,在网络中加入真值关键点作为额外输入,并且设计了一个关键点损失函数来改进对物体细小部分的漏检。由于对真值标注的时间有限,本文在自制的会议室、椅子数据集和标准coco数据集上进行了实验,对这些数据集的分割结果取得了一定的提高。最后,本文对关键点特征的提取和检测方法进行了实验和分析。在文章中,进一步地讨论了三种关键点提取算法,包括中点、角点、骨架。从本文的实验中,这项研究论证了一种合适的关键点图用于特征强化实例分割算法。