鞋楦的优化设计是制鞋生产工艺中的重要环节,鞋楦曲面形状的优化对成鞋穿着的舒适性具有重要的影响。在鞋楦的设计中,通过对足底压力数据的分析和处理,可以获得人体在站立或行走时足部的形状、受力以及运动轨迹等信息,并可据此设计出符合人体工程学的鞋楦曲面形状。在足底压力分析的研究中,采用足底压力成像分析方法实现鞋楦优化设计的研究工作还比较初步,对成像数据的分析和利用尚存在处理方法单一、信息获取不全面、处理模型鲁棒性差等问题。论文的研究工作,主要针对足底压力数据生成的图像,开展与舒适鞋成楦相关的关键区域提取方法研究。通过建立足底压力图像更为精确的分割模型与分割效率评价方法,得到准确的区域划分,提取鞋楦优化设计所需要的特征,提高足底压力图像的分割效果及效率,为鞋楦优化设计提供数据服务。研究内容主要包括:（1）在足底压力图像处理需求分析的基础上,采用足底压力成像实验设备,采集足底压力传感器完成测试图像,实现足底压力成像数据的获取;应用去噪降维等方法构建足底压力成像的基础数据集,为足底压力关键特征区域的分割和关键特征的提取提供数据基础。（2）针对足底压力图像分割中,分割区域的选择对分割效果的影响问题,提出了一种基于保局形态学的足底压力图像均值飘移分割模型。该模型从全局的角度对图像进行分割,利用均值漂移算法的实时性特点来实现图像滤波和降维,减少了计算的复杂度;利用邻域像素保局形态学技术将图像分割成若干个局部最大均匀区域,通过形态学重构提取初始目标的分割模板。通过采用直方图分析方法,验证了该模型的图像分割效率;分割评价指标的对比结果表明,该模型具有较强的鲁棒性,在像素精度、频权交并比、过分割率以及DICE系数等指标中具有较好效果。（3）针对传统足底压力图像分割方法中,采用的区域生长、水平集分割等算法存在过分割影响分割效率的问题,结合深度学习方法,提出一种深度学习网络——seg Net网络与全连接层网络结合的足底压力图像分割方法。该方法采用最大池化步骤中计算的池化索引来执行非线性上采样,保持了分割高频细节的完整性。对足底压力图像集进行分割,并在常见的各种神经网络平台进行对比,验证了基于深度神经网络的足底压力成像数据集分割算法的有效性;通过全局准确率、平均准确率、平均交并比等表明,提出的图像分割方法具有较高的分割效率。（4）为提高足底压力图像分割的处理能力,采用全卷积网络降低足底压力图像的维度;并进一步实现针对足底压力成像的预处理和准确分割。该分割方法在均方误差和峰值信噪比等方面均优于以往的相关研究。此外,还分别与基于区域的卷积神经网络和快速RCNN在层指数、最大步幅和时间消耗方面进行了比较,均显示了方法的有效性。（5）在上述研究基础上,利用图像分割区域的关键点集做为支撑点与边界点生成一种非均匀有理B样条曲面,从而解决由离散点集到楦底曲面生成的关键问题;定义一种控制点与拟合点的磨合度计算方法,结合人工心理学量表法对不同数据来源的点数据集进行评价,实现不同挖掘方法产生的数据集对优楦设计应用的效果评估;解决了楦底曲面优化设计的关键技术——楦底曲面的生成问题,并进一步阐明了利用压感成像分割数据生成楦底曲面的方法在成鞋穿着舒适性方向上的潜在研究价值;相比从几何形态学和像素结构方面,基于纹理特征的全卷积神经网络分割结果对舒适鞋成楦设计有较好的应用效果。