在计算机视觉领域,图像分割作为非常关键的部分,是该领域基础问题之一。在实际应用过程中具有极大的价值。本文的研究基于图像分割中两个重要子领域:图像语义分割和显著性目标检测。图像语义分割是从像素层面对图像中的目标进行分类,基本要求是每一个像素都应被正确地分类。显著目标检测来源于视觉显著性,主要任务是寻找一张图像中人眼最关注的目标区域。但是显著目标检测只是得到显著这一种类型的目标,可以看成一个二分类问题,因此显著目标检测偏向语义分割领域发展,最终形成了现在这种几乎可以称为二分割的领域。本文在网络模型和损失函数两方面进行了创新。一方面,针对语义分割任务,本文在网络模型方面,提出了融合上下文内容的深度学习网络模型,该模型获取了特征与特征间的关联性控制目标的语义分割。通过对特征之间的依赖信息进行建模,将特征间上下文信息的获取作为主要任务,来控制目标的精确分割。实验证明本文的网络模型具备较好的分割效果。另一方面,针对显著性目标检测任务,本文在损失函数方面引进传统活动轮廓模型分割方法中的能量函数思维,构建提取目标本身特征的损失函数,引入能量惩罚项,使得损失函数具备快速收敛的特性。实验证明该损失函数能够缩短模型训练时间,泛化到众多深度学习网络模型中,并在各大网络框架中都能够控制模型提高分割精度。本文在实验过程中使用平均交并比和平均像素准确度来定性衡量方法性能,与众多传统模型进行对比,同时也在常用数据集上进行了实验,验证了本文内容的应用性及可行性。本文的贡献在于解决了图像上下文信息在传统深度神经网络中缺失的不足,引入了特征与特征之间关系,构建了全新神经网络。同时提出结合传统图像分割领域内的活动轮廓模型,将水平集能量函数思维引入损失函数中,构建了一种结合目标轮廓长度、面积,并能够快速收敛的损失函数。实验证明本文网络模型及损失函数均具有可观性能,泛化能力强,可以在图像分割中广泛应用。