图像分割是计算机视觉的核心问题之一,旨在为每个像素分配一个类标签,在交通、军事、医学、遥感等领域应用广泛。随着各个领域内硬件设备不断发展,人们需要处理的图像越来越多样化。然而,对于普通拍摄或医学领域的小样本图像分割任务,传统分割方法的结果常受到各种噪声影响,图像的分割质量欠佳。而在遥感领域的分割任务中,由于遥感图像数据庞大、尺度多样且背景复杂,人们常借助基于深度学习的方法进行图像分割。同时,物体遮挡、光照不足、类间差异小等问题降低了目标边界等易混淆区域的分割精度。本文着重研究总变差频谱变换和深度卷积神经网络在上述两类分割任务中的应用,主要工作如下:针对传统图像分割方法易受噪声干扰之问题,提出了一种基于总变差频谱变换的图像分割方法。该方法通过总变差频谱变换将原始图像从空间域变换到总变差频谱域,获得原始图像的多尺度频谱表示。根据所有像素的最大频谱响应时间拟合分离曲面,利用分离曲面构建带通滤波器,并计算总变差逆变换分离物体和背景。最后细化物体结构以获得分割结果。在普通图像及医学图像数据集上的实验验证了该方法在噪声下取得较高分割精度,对不同类型的噪声具有鲁棒性。针对基于深度卷积神经网络的语义分割方法在目标边界等易混淆区域分割精度低之问题,提出了一种不确定度和边界引导的语义分割网络。该网络采用多任务学习方式,联合边缘检测和语义分割任务,加强网络的特征学习能力。在主干网络的编码器和解码器间设计一种基于不确定度的注意力模块,以引导网络关注编码器特征图中不确定度高的区域。同时利用边界特征图设计上下文整合模块,以实现边界引导的上下文空间关系建模。在遥感影像语义分割数据集上的实验验证了该方法具备优良的分割性能。