指称图像分割是近年来自然语言处理和计算机视觉交叉领域的一个重要研究方向。给定一幅图像和对应的指称表达式,指称图像分割的目的是分割出包含指称表达式所描述的视觉实体的相应区域。作为多模态任务的代表之一,指称图像分割已经被广泛地应用到交互式图像编辑、智能视觉搜索、机器人控制、人机交互等任务之中。虽然基于卷积神经网络的指称图像分割任务已经取得了巨大的进步,但是仍然存在着众多的挑战。大多现有的方法未能充分利用视觉特征和语言特征之间的相互指导关系,使得模型对多模态特征之间一致性学习的过程变得非常困难。基于此,本文提出了两种基于跨模态深度互学习的指称图像分割算法来改善这个问题。第一个算法设计了一种全新的双向关系推理网络来捕捉多模态特征之间的依赖关系。该算法使用双向跨模态注意模块对多模态特征进行建模,利用视觉和语言之间的双向引导机制来加强多模态特征之间的一致性关系,解决了高维语言特征与低维视觉特征的对齐问题。该算法同时提出了门控双向融合模块来整合多层次特征,利用门函数引导多层次信息的双向流动,有效地增强了最终分割结果的细节信息。第二个算法设计了一种基于Transformer的指称图像分割网络,首次将Transformer结构应用到指称图像分割领域之中。该算法使用基于Transformer的多模态特征编码器融合单元来学习多模态特征之间的相互引导关系,帮助网络理解更复杂的语言描述。跨模态编码器融合的方案使跨模态深度互学习过程发生在特征编码阶段,相比之前的算法可以更显著地提升网络的多模态特征推理能力。为了进一步增强分割结果的细节表达,该算法提出基于Transformer的多层次特征融合单元来融合多层次特征,提升分割精度。两种算法在多个标准数据集上均取得了优秀的结果。