近年来，随着计算水平的不断提高，基于深度学习的实例分割方法的研究取得了巨大的突破。图像实例分割可以区分图像中同一类的不同实例，是计算机视觉领域的重要研究方向，具有十分广阔的研究前景，在场景理解、医学图像分析、机器视觉、增强现实、图像压缩和视频监控等取得了巨大的实际应用价值。近年来，实例分割方法的更新频率越来越高，但目前还没有文献全面系统的分析实例分割相关研究背景。本文对基于深度学习的图像实例分割方法进行了全面系统的分析与总结，首先介绍目前实例分割中常用的公共数据集与评价指标，并对现有数据集面临的挑战进行了分析；然后，分别从两阶段分割方法与单阶段分割方法的特性上对实例分割算法进行梳理与总结，阐述其核心思想与设计思路，并对这两类方法的优势与不足进行总结；接来下在公共数据集上评估这些模型的分割精度和速度；最后，总结目前实例分割面临的困难与挑战，以及面对挑战的解决思路，并对未来的研究方向进行展望。