目标检测和实例分割分别提供目标级和像素级的图像目标以增强图像整体感知能力,成为计算机视觉重要的任务,且被广泛应用于行人检测、视频监控、零部件识别定位、智能医疗诊断等领域。由于各领域任务对于图像目标感知的程度要求日趋提高,传统图像感知算法的速度与精度已无法达到其要求。因此近年来基于深度卷积神经网络的实例分割和目标检测一直成为业界的研究热点并取得了突破性进展,但往往在精度和速度上无法兼顾。本文分别致力于在不增加明显的计算量的情况下提升单阶段实例分割网络的分割性能和目标检测网络的检测性能,分别提出了一种基于轮廓点掩膜细化的单阶段实例分割方法和一种基于特征金字塔信息补充的目标检测方法。本文针对现有的实例分割方法PolarMask中分割结果边缘信息模糊的问题,提出了一种基于轮廓点掩膜细化的单阶段实例分割网络来优化分割图的边缘信息。本文通过所提的掩膜预测子网络预测出实例轮廓点的角度偏置和距离以提取实例的准确轮廓。语义分割子网络通过将特征金字塔输出的不同尺度特征层统一大小,对浅层的特征细节信息和深层的特征语义信息进行融合,生成每一类别的语义分割图,再与掩膜预测子网络输出的实例轮廓融合,从而得到精细的实例分割结果。本文基于所提模块设计的实例分割网络,在相关数据集实验表明该算法在不影响检测速度的情况下,实现较高的实例分割精度。另外,为了提升目标检测网络的检测精度,针对特征金字塔只关注相邻分辨率特征图之间的信息,难以充分利用各个层级特征图的语义信息和细节特征的问题,结合特征融合和注意力机制,本文设计了一种基于金字塔信息补充的目标检测方法。该模块主要包括特征整合模块,特征关注模块和特征残差模块。特征整合模块用于将特征金字塔输出的不同层级特征通过不同的权重进行融合,然后通过特征关注模块对特征分别进行全局和局部增强,之后通过特征残差模块将增强后的特征与原特征经过上/下采样生成的细化特征进行融合,最终输入到之后的检测网络中。在不明显增加计算时间的情况下,在Pascal VOC数据集上的目标检测精度达到81.6%,相对于基础方法提升了1.6%,证明了所提基于金字塔信息补充的目标检测方法的有效性。