随着信息技术的不断革新,网络已经成为人们获取信息的主要手段,信息也呈现出多种多样的表达形式。图像作为承载信息最重要的载体之一,如何从海量图像数据中获取必要信息,即图像处理方法,一直受到大量学者的广泛关注和研究。常见的图像处理方法包括图像的变换、压缩、增强、复原以及分割等,其中图像分割方法在图像处理领域中的作用尤为明显。图像分割的方法多种多样,为特定的对象选择合适的分割方法尤为重要,针对图像分割问题,本文进行了如下研究内容:1.由于以往计算掩模板（MASK）中的电极面积时,直接将电极区域看作圆形,这种计算方式数值误差较大,所以本文采用区域生长的分割方法将有效电极区域进行分割,再对其进行计算。实验结果表明,该方法分割精度相对准确,但是部分电极区域存在不完全分割和过度分割的问题。2.针对前述研究方法中存在的问题,进一步提出了一种基于聚类与区域生长相结合的电极图像分割方法。该方法首先对图像进行聚类分割,再对聚类分割图进行区域生长分割,最后对分割出的电极区域进行数值面积计算。实验结果表明,分割精度有了显著提升,有效解决不完全分割和过度分割的问题。3.以2中的分割结果图作为标签,将原图和分割结果图切割为单独电极图像作为数据集,并应用于FCN（全卷积神经网络）与UNet网络进行语义分割实验并计算电极面积。实验结果表明,电极区域分割规则且边缘较平滑,分割准确度较高。4.本文又提出了一种基于FCN的图像语义分割改进算法。该方法针对传统FCN存在的分割不精确以及图像细节丢失等问题,采用空洞卷积代替标准卷积来扩大感受野区域;采用可变池化尺寸尽量捕捉稠密信息;级联融合深浅层信息。实验结果表明,相较于传统FCN,分割精度得到了有效的提升。