图像分割是理解图像内容的基础,越来越多的实际应用得益于从分割结果进行信息推断,其中包括自动驾驶和计算摄影等应用。虽然基于深度学习的全卷积方法取得了很大进展,但是逐像素多分类的模型依赖于每个类别大量代价高昂的标注工作,而实际应用中标注数据匮乏,分割结果往往受限于训练数据,面临变化的场景鲁棒性不好。针对以上问题,本文旨在研究更加鲁棒的图像分割方法,探索如何引入先验信息来引导并促进网络的学习,从而达到仅使用较少类别和较少场景的像素标注训练模型,实现对不具有像素标注的未见类别和变化场景的有效分割。主要包括以下两方面的工作:(1)针对语义分割和实例分割像素标注匮乏的问题,本文提出基于目标位置先验的分割模型为每个对象进行掩码预测,探索不同类别对象间共享的分割特征。对于部分监督的语义分割,有效地将边界框标注转化为像素级别的强标注。对于部分监督的实例分割,使用少量类别的像素标注,结合目标检测实现对训练集中不具有像素标注的物体类别的实例分割。具体地,提出高斯与梯度注意力模型基于位置先验为感兴趣的目标创建可定位、具有判别信息的注意力图像,引导网络的正向传播;设计多尺度对齐损失函数综合考虑局部和全局线索,加强约束。在PASCAL VOC,MS COCO等数据集上进行多组实验,与现有方法相比,分割精度有了明显的提高。(2)针对路面分割方法在变化的场景下表现不稳定的问题,为提高分割鲁棒性,本文提出了一种基于几何先验的具有鲁棒性的双分支地面分割算法。通过数据分析与统计发现视差图像以及通过对地平面的拟合得到的地平面偏差图在不同的场景下具有稳定的分布且包含了恒定的平面几何性质,本文引入该几何先验促进网络的正向传播。网络的主干部分提取特征的多层次结构,结合上下文信息,有效地平滑几何结构中的噪声与空洞,辅助分支则依据先验知识自适应地生成参考特征图,提高分割稳定性。在六组变化的场景下进行实验评估,与现有方法相比,分割结果更加鲁棒。