作为应急救援的重要组成部分,通用航空应急救援拥有响应速度快、现场交互能力强等特点,能够为减少灾害事件损失提供一条有效途径。获取在到达受灾现场前路径上相关信息（诸如鸟击问题和危险天气影响）并对其进行分析可为整个应急救援工作高效有序进行提供重要保障。当前通用航空对于鸟群活动情况的了解还是依靠飞行员自身对于环境的观察,并且国内外驱鸟方式并不适合大范围推广使用;其对于危险天气的了解主要是通过实时天气情况,虽然当前对于天气的研究已转向动态预测,但预测的方法精度也有待提升。本文着眼于以上问题,借助基于深度学习的图像分割方法在提升通用航空应急救援的安全性方面开展探索性研究,主要工作从以下几个方面展开:（1）提出一种优化的U-Net网络模型,在网络的连接结构中加入自适应选择结构,加强网络注意力,以提升网络的图像分割精度。（2）根据应用需要进行数据收集和整理,分别建立了鸟群活动目标样品集和危险天气目标样品集,样本大小均为512×512,并分别对其进行了标注。（3）将该优化U-Net网络运用于鸟群活动的图像分割,为飞行员提供告警,提示飞行员注意鸟群活动,通过该经济简便的方式减小飞行员的工作压力,减少通用航空应急救援过程中可能出现的鸟击概率,提升通用航空应急救援的安全性。（4）对于影响飞行安全的危险天气,本文通过基于优化U-Net网络的图像分割的方法进行分割,结合残差灰色马尔科夫预测模型对其影响范围的变化进行研究和预测,可以将结果融入障碍物图中为航空器的改航策略提供参考,保障通航救援过程的安全性。本文将优化网络模型用于鸟群活动图像分割,通过实验,该网络对应的常用图像分割评价指标m Io U和F1-score分别为:0.8462,0.8172,相较U-Net网络结果提升了3.6%及4.49%;并且通过该优化网络对于危险天气范围进行分割,对应评价指标m Io U与F1-score分别为0.8861,0.8725。最后将图像与数据结合,借助残差灰色马尔科夫预测模型能够实现对于危险天气的影响范围变化做出短期较准确预测。