区域分割任务旨在对场景中特定的区域进行识别,属于计算机视觉领域中的分支任务,在自动驾驶、地图元素检测及视频理解等方面被广泛应用。相比于传统方法,基于深度学习的区域分割方法准确率更高。但仅利用高阶语义特征进行区域分割的方法受限于目标区域的尺度,常出现分割结果不完整、精度低的情况。针对具体应用场景,利用先验知识对高阶语义特征进行增强和补充成为改善分割结果的重要途径。本文的第一部分针对遥感影像场景下道路区域分割结果破碎的问题,提出了基于迭代跨任务特征增强的遥感影像道路分割算法。为了显式地利用道路分割任务与道路方向预测任务间的相关性,构造交互信息流,充分地利用先验知识进行特征增强以提升道路分割结果的准确性,本文提出了迭代跨任务特征增强网络,以多任务学习的方式共同优化两个任务的深层特征。为实现两个任务间的迭代优化,本文首先设计了语义引导特征增强模块,该模块利用语义信息来引导和增强方向预测特征以提升方向特征的可信度,然后设计了方向感知特征聚合模块,该模块根据道路方向自适应地调整卷积核感受野,提升网络的方向感知能力以聚合更多的有效信息,最后设计了迭代跨任务特征增强策略,通过构造交互信息流的方式迭代增强两个任务的特征,解决了方向信息利用不充分的问题。经实验证明,本文提出的算法在公开道路分割数据集上的分割结果在完整性和准确性方面都有良好的表现,改善了遥感影像道路分割结果破碎、不连续的问题。本文的第二部分针对视频数据中显著目标区域分割结果不完整、不稳定的问题,提出了基于特征增强的视频显著目标分割算法。视频显著目标分割任务需要利用视频序列中的时序信息,目前利用光流提供时序信息耗时较大,影响网络的推理速度。本文首先设计了时序记忆模块,整合视频序列中的长距离时序信息,对当前帧特征进行重构和增强以提升特征的表征能力,然后设计了时序一致性损失函数,利用光流提供视频序列中目标的运动信息来构造损失函数,对目标短时内的分割结果进行一致性约束,提升分割结果的准确性和稳定性。算法通过网络学习隐式地将运动信息嵌入至神经网络的特征中,在推理阶段不增加计算成本,避免在推理阶段增加网络耗时。经实验证明,本文提出的算法在公开视频显著目标分割数据集上的分割结果在准确性和稳定性方面都有良好的表现,改善了分割结果不稳定、精度低的问题。