多任务学习（Multi-Task Learning,MTL）是一种处理和利用不同任务间相关信息的策略,它通过训练多个相关的任务,得到泛化性能更好的模型。在深度学习领域中,MTL通常指设计能够从多任务监督信号中学习共享表征的网络。随着诸多研究学者的不断研究探索,多任务学习研究在边缘检测、语义分割、深度估计、目标检测、图片分类等相关视觉任务的应用效果不断提高。但由于计算成本的有限性,其在网络结构的设计、损失函数的平衡以及任务的共享特征选择等方面还有极大的研究空间。本文从共享特征、共享预测结果和函数优化三个方面详细综述了基于深度学习的图像多任务学习方法,最后介绍了图像多任务学习在多域学习、迁移学习、医学图像领域以及半监督领域的发展概况。在语义分割、深度估计以及图像场景解析中的其他像素级预测任务方面,进行了多任务学习和深度网络结构设计的研究,本文的贡献和创新点大致如下:（1）面向场景解析中语义分割和深度估计两个像素级任务,从共享特征学习和特征交互融合两个角度出发,提出两个不同的多任务学习架构来联合学习语义分割和深度估计,有效实现了跨任务特征交互,进一步提高了语义分割和深度估计的性能;（2）为了提高网络的特征提取能力,提出了基于可选择权重的多任务学习网络MTL＿ASP,在自注意力构成的任务特定子网络间使用可选择权重模块进行分层式的特征融合,协同优化语义特征和深度特征,用空洞金字塔池化模块获取更密集的任务特征信息,以较低的计算复杂度获得更高的精度;（3）针对当前语义分割任务中小物体难认出和大物体误认的问题,利用多尺度自注意力模块结合空洞空间金字塔池化模块来获得具有全局上下文的特征,并联合语义分割、显著性目标检测、表面法线检测,进行多任务学习,提高了模型的泛化能力。