随着车载和机载成像平台应用日益广泛,对成像装置的智能化需求越来越高。基于图像分割技术的场景解析作为成像装置智能化的一个重要研究方向,也受到了更多的重视。本文针对车载和机载成像平台的图像分割技术各自的特点开展算法研究,主要研究工作如下:（1）车载成像平台面对的场景复杂,轻量级分割算法对图像分割精度不高,本文针对此问题构建了邻域增强分割模型。该模型在轻量级网络上加入了Skip解码器模块和邻域增强模块,在不明显增加计算量的同时充分利用了空间信息和邻域相关性信息。此外应用了阶段性训练策略进一步增强多阶段的邻域相关性信息的获取。实验结果表明,与主流的轻量级分割算法相比,本模型在车载图像上具有更高的分割精度。（2）车载成像平台计算能力有限,语义分割算法在车载图像上实时性差,本文针对此问题构建了残差金字塔分割模型。本模型主要由特征残差增强模块和Single-Shot模块构成,利用残差特征提升细节表现,同时利用Single-Shot模块降低了网络的计算量和参数量。此外阶段性训练通过逐步训练各级残差,使网络达到了更好的分割效果。实验结果表明,与其他同计算量的算法相比,本模型在车载图像上具有更高的精度和更好的实时性。（3）机载成像平台获取的图像目标尺寸小,语义分割算法容易造成小目标误分割,针对此问题,本文通过引入超分辨率重建算法,构建了超分辨率分割模型。本模型将超分辨率重建作为图像分割的前置模块补充目标细节。实验结果表明,与传统上采样的方式相比,本模型在机载图像分割时对小目标具有更好的分割效果。