图像分割是数字图像处理领域的一个主要研究方向,也是许多计算机视觉任务的研究基础,其目标是对图像中的像素进行分类,提取有价值的信息。随着时代发展,许多领域对细节分割提出了更高的精度要求,如现代医学领域中的微小肿瘤分割。基于深度学习的图像分割算法可以自动提取图片的低级与高级语义信息,使得图像分割算法的精度有了质的提升,但仍存在复杂背景下的边缘细节丢失、边界分割精度不高等问题。针对这些缺陷,本文调研了多种深度学习的图像分割方法,以生成对抗网络为基础,进行了图像分割算法的研究工作。本文以人像分割为例,利用生成对抗网络,并引入软分割技术,使图像分割精度达到更准确的像素级别。首先,本文学习和对比了近期较为优秀的图像语义分割算法,如PSP-Net、BiseNet、GCN、U-Net,这些算法虽然能完成人像分割的任务,但仍存在人像边缘分割细节丢失的问题。为了进一步提高像素级人像分割的精度,本文引入生成对抗网络的思想,设计并实现了基于生成对抗网络的人像分割网络。搭建U-Net结构的生成网络用于人像分割,通过跳跃连接来融合高级与低级的语义信息;判别网络用于判别是生成的人像分割图还是真实的人像分割图,同时设置对抗损失函数,检测并纠正了真实分割图与生成分割图的不一致性,提升了在复杂背景下的边缘分割精度。其次,本文为了解决分割发丝等更微小边缘细节丢失的问题,在上述基于生成对抗网络的人像分割算法的基础上引入了图像软分割技术,设计并实现了基于边缘敏感的肖像分割算法,来进一步优化提高微小边缘的分割精度。算法的主要过程分为四个阶段:第一阶段先通过GAN分割算法得到人像前景和背景;第二阶段通过边缘注意力模块得到发丝等微小边缘最可能存在的区域;第三阶段单独将三分图和原图送入一个编码解码结构的卷积神经网络进行优化学习,得到边缘细节信息;第四阶段将前景与边缘细节融合得到最终精细的分割结果。最后,本文分别在Supervise.ly人像数据集、百度人像数据集上进行了实验,验证了基于生成对抗网络的人像分割算法的有效性。相比于普通分割网络U-Net,加入对抗模式训练后,mIOU精度提升了4.56个百分点。再用从互联网上随机下载的人像图像进行实验,得到较好的分割结果,证明了算法的泛化能力和应用价值。将基于边缘敏感的肖像分割算法在Shen等人公开的肖像分割数据集上进行测试,实验结果表明,通过四个阶段的优化,能获得更精确的细节分割结果。