计算机视觉一直以来都是研究的热点,而且其研究成果也被广泛应用在社会生活的方方面面。随着近些年深度学习爆发式的发展,其在计算机视觉上的研究和应用使得计算机视觉中的各项任务均获得了阶段性的发展。从原来的基于简单统计量的传统方法到现在基于模式识别的深度学习方法,计算机视觉实现了阶段性的突破。图像分割是计算机视觉中的一项最重要的任务,其研究进展也代表了计算机视觉的最新成果,本文基于深度学习在图像分割的研究现状基础上,分析了现有方法适用性以及其有效性和可能存在的一些问题,并提出了相应的改进方法。本文的主要研究内容包括:1.针对深度卷积网络在图像分割中的分割结果存在噪音、边界模糊和缺少目标形状先验信息的特点,提出了一种基于形状先验和深度学习的水平集分割方法。把深度卷积网络的输出当作一种概率图来处理,并使用全局仿射变换方法把每种目标物体固有的形状先验依据概率图变换到适应每一张特定的图片。最终使用水平集方法融合原始图片、概率图和修正的形状先验三种信息来获取分割结果,并且最终得到的分割结果趋向于更合理的形状。2.图像可以被当作一种二维的信号,借鉴基于频率域分析的方法在信号分析中的广泛应用,提出了一种基于多频率分解的神经网络方法。基于快速傅立叶变换把原始信号分解为不同频率加权的信号,并且把多频率分解做成了神经网络的一层,使其可以被融入到任意的网络结构里面。依赖深度神经网络特征提取的能力,多频率分解层可以提取图片中不同频率的有效信息。3.针对现有神经网络学习的结果不符合人识别的逻辑,而是偏向于记住图片中容易区分的部分特征而无法达到比较高的泛化性能,提出了基于注意力学习的神经网络,给神经网络附加额外的注意力约束,使得其学习结果更趋向于人的识别逻辑。4.设计并实现了一套基于web微服务的肖像分割原型系统。