图像分割是低层图像处理领域的一个基础和难点。随着成像技术的飞速发展,图像分割技术在医学、卫星和计算机视觉等领域中发挥着越来越重要的作用。作为一项多学科交叉融合的前沿课题,图像分割一直面临着特征提取复杂和数据标注困难的挑战,卷积神经网络的出现在一定程度上缓解了这种挑战。论文主要利用卷积神经网络和条件随机场对图像进行分割,在理论和应用上都具有重要意义。论文的主要研究工作及创新点包括:首先,在研究基于深度学习的图像分割理论后,通过总结和对比,提出了一个基于深度学习和概率图模型的图像分割学习框架。然后,提出了基于高低层结合的FCN-FCRF模型的监督型图像分割。通过将全连接层转换为卷积层构造全卷积网络,将全卷积网络的高层抽象网络层和低层精细网络层结合实现特征提取。将提取的图像像素特征提供给全连接条件随机场进行上下文建模和局部精确定位,完成像素的分类标注。模型通过敏感度传递的方式进行端对端的训练。对比实验表明,本文方法取得了更好的效果,能够进行更全面的图像特征提取、更准确的边缘局部定位和更一致的参数训练。最后,针对像素级标注数据费时昂贵的缺点,提出了基于密集采样FCN模型的弱/半监督型图像分割方法。使用弱监督数据和弱半监督数据进行图像分割建模,通过密集采样的全卷积网络,构建了基于EM算法的图像级对象标注的弱监督图像分割模型、基于GrubCut算法的对象边框标注的弱监督图像分割模型、基于EM算法的混合图像级对象标注数据与像素级标注数据的弱半监督图像分割模型。通过实验表明,弱监督模型与其他类似模型相比取得了更准确结果,弱半监督模型的效果比较接近监督模型的结果。