图像实例分割是一种非常重要的数字图像处理技术。近年在深度学习技术的推动下,该技术得到了飞速的发展,但仍然存在一些缺陷。在这个论文中,我们主要讨论两种改善优化图像实例分割结果的方法。第一个方法,是基于注意力机制的优化方法。图像实例分割方法虽然多种多样,但是对于小尺寸物体的实例分割还多存在着遗漏或误分割的情况。我们通过改进处理流程,将注意力机制应用于图像实例分割的处理流程中,以优化对于小尺寸物体的实例分割效果。该处理流程是,在执行图像实例分割的特征提取阶段,应用注意力机制,不再平等地泛泛地对待所有位置的像素,而是将权重倾斜给更加重要的位置;然后经过注意力机制过滤、优化处理过的特征,输入到后面的检测框回归和掩膜生成;最终得到更加全面精准的实例分割结果。第二个方法,是一个简单有效的基于超像素的后处理方法。很多图像实例分割方法都普遍存在对于大尺寸物体分割效果过于粗糙的现象。基于“图像实例分割将图片分割成富含语义信息但缺乏纹理一致性的一个个区域,而超像素分割将图片分割成具有良好的纹理一致性但缺乏语义信息的一个个像素集合”的观察,我们通过设计一个后处理方法,将超像素结合到图像实例分割的处理流程中,以优化图像实例分割的结果。该处理流程是,先对图片调用某一个图像实例分割方法（如Mask R-CNN）,生成初步的预测实例掩膜;然后利用图像的超像素提供辅助信息来修改预测的掩膜;最终得到更加精细的图像实例分割结果。该方法无需参与训练,但能够有效地细化图像实例预测掩膜。我们在MS-COCO数据集上进行测试,并在当前流行的多个网络结构上展开实验,其结果有力地证实了我们的方法对于改善图像实例分割结果的有效性。