图像语义分割是计算机视觉中最重要的研究方向之一,也是许多实际应用的基础技术。随着深度学习的兴起,图像语义分割技术取得了快速发展,在分割精度与效率上都有显著提升。现有的基于深度学习的语义分割方法主要适用于中低分辨率图像,当处理一些特殊分辨率图像时,现有方法难以在性能与效率上取得平衡。特殊分辨率图像包含了高分辨率图像与大规模医疗图像（主要以CT图像为代表）。存在的困难有:分割效率低、模型复杂度过高、对于特殊小目标的细节信息难以捕捉等。为此,本文针对高分辨率图像语义分割以及CT图像中的胰腺分割开展研究,利用深度学习模型,设计高效的高分辨率语义分割方法。主要研究包括:针对高分辨率图像的高效语义分割深度学习方法,CT图像中的胰腺分割深度学习方法。本文主要完成了以下工作:1.提出了基于块推荐机制的全局局部协同高分辨率图像语义分割方法。针对高分辨率图像,通过构建一个新颖的块推荐网络并将其集成到全局局部协同框架中,使得网络能够根据图像块的重要性对图像块进行选择,重点关注“重要”图像块,显著提升模型的分割效率。在医疗、卫星观测图像等多个高分辨率图像数据集上等实验结果表明,提出的方法在分割精度,推理速度及显存资源占用上取得了最优异的综合性能。2.提出了基于元学习的多分支融合高分辨率图像语义分割方法。针对超高分辨率图像,借助元学习,将多分辨率图像块的分割结果进行基于元学习的特征融合,提高了训练效率和分割精度。进一步,将用于多分辨率分割的多个网络分支整合成一个主干网络,通过记忆调用模块（Memory Recall Module）和记忆特征池（Memory Feature Pool）实现权值共享,减少了模型规模,提高训练效率。在多个医疗超高分辨率图像数据集上的实验结果表明,提出的模型训练效率高,能以低的模型参数量取得高分割精度,相比先进的对比方法取得了最优异的性能。3.提出了基于平行多分辨率特征表示的CT胰腺分割方法。胰腺在三维CT图像的多视角切片中形状不规则,目标占比小,是典型的特殊图像小目标语义分割问题,针对这一挑战问题,设计了由粗到细的分割框架,通过平行多分辨分支,形成多个尺度的特征并进行融合,较好的解决了作为不规则小目标的胰腺的特征提取问题。在多个针对胰腺分割的CT图像数据集上的实验结果表明,提出的方法显著提升了小目标分割精度,超过了当前先进的对比方法。