图像内容理解是计算机视觉领域重要的研究目标。分割,尤以细粒度图像分割,是实现图像内容理解的一个重要途径。全景分割,作为细粒度图像分割任务中的一种,可以帮助计算机更全面的理解图像中每一类物体的位置、形状等信息,它的有效解决,将有助于自动驾驶、行为识别等多个问题的发展。本文主要着眼于神经网络建模、针对全景分割问题的计算机视觉方法研究。更具体来说,是通过对数字图像进行像素点级别的分类实现对图像中物体的识别及类别的分类。本文所提出模型的输入是一幅幅未经处理未打标签的原始数字图像,输出是每个像素对应的物体标签以及实例标签。本文的研究目标是找出一种神经网络模型,能在当前公认的全景分割评价指标下,有效且高效完成从输入到输出的分类过程。本文设计了一种多分支的深度神经网络模型。该模型由多尺度特征提取、语义内容分割、实例信息预测、共识掩码回归、多分支内容组合等多个步骤组成。针对全景分割问题中普遍存在的两类冲突矛盾问题给出了一个有效的解决方案。设计了一系列实验,通过与现有其他研究的对比,以及各个模块相关剥离实验的分析,验证本文所设计框架可以有效的提升分割质量。本研究在全景分割领域共有以下四个主要创新点:（1）提出了一种新的多分支端到端的全景分割深度网络架构,通过与基准线模型在内的六种现有模型的对比,验证本模型的设计在准确率上大为提升,达到目前的先进水平。（2）设计了一种共识机制,引入了一个独立的新分支来计算共识掩码,作为对其他分支结果间存在的像素点分类冲突进行解决的一个重要依据。剥离实验相关子实验验证其对全景分割中的像素分类冲突问题是有效的。（3）设计了一种指导机制,利用语义分割与实例分割间的联系,在前景背景两个分支间引入注意力,用较高准确率分支指导较低准确率分支进行分割。剥离实验验证此设计可以有效的利用实例分支来指导语义分支学习并提高语义分支的分割精度。（4）提出了新的融合算法,设计的融合模块配合精心设计的损失函数,有效地整合了多分支与融合模块。