图像分割是计算机视觉领域中的热门方向之一,在自动驾驶、遥感图像分析、医学影像分析等众多领域中有着较高的应用价值。这些应用场景存在着不可忽视的小目标,比如自动驾驶场景中的行人和交通标志、遥感图像中的道路、医学影像中的病变区域和细胞等。但是由于小目标的像素较少、特征不明显、背景较复杂,因此难以获得精确的分割结果。传统算法主要是通过提取颜色、形状、位置等特征对图像进行分割,泛化性能较差,难以对复杂背景中的小目标得到精确的分割结果。随着计算机硬件的发展和机器学习的兴起,基于卷积神经网络的图像分割模型在分割精度上较传统算法有了较大的提升,但仍然难以准确分割复杂背景下的小目标。针对这一问题,本文对基于卷积神经网络的图像分割算法进行了研究改进,主要工作总结如下:1.分析了基于卷积神经网络的语义分割模型Deeplab v3+,增加了局部增强模块,通过学习空间算子重新计算目标的空间范围,对高层特征进行了精细化的改进,突出了边缘和小目标等细节特征。针对损失函数中小目标的权重较低的问题,引入了基于类间共享边界的度量标准,用于抵抗损失函数中由于目标尺寸大小不同引起的权重偏差;通过编码网络模拟计算该度量,并将编码网络接入到分割模型中进行端到端的训练。最后通过实验证明改进后的语义分割模型使得小目标的分割精度有了较大的提升。2.研究了结合目标检测的实例分割模型Mask R-CNN,并在细胞核数据集上实现了小目标的实例分割,然后改进了网络结构。首先,对特征金字塔网络进行了改进,在侧边增添了一条自底向上的分支,缩短了信息从低层特征传递到高层特征的路径长度,利用低层特征中的定位信息改善了小目标的分割情况,提高了模型的平均精度。然后在模型中引入了全连接条件随机场模型进行训练,利用像素的颜色信息和位置信息对分割结果进行了细化。