近年来,人工智能的发展越来越快并已深入到诸多领域,比如自动驾驶、机器人以及医学图像等等。人工智能相关理论与技术的发展离不开基于深度学习相关视觉算法的推动。图像分割作为计算机视觉关键的预处理步骤,一直以来是人工智能领域的热门研究分支,而全景分割作为图像分割研究的一部分,能够对图像中背景和前景信息进行像素级别的处理,一方面填补了图像分割领域在语义和实例分割后研究的空白,另一方面也满足了当下机器人、自动驾驶等领域的实际工程需求。因此研究全景分割任务,对促进相关方面理论研究和工程应用有重要价值。本文提出的基于深度学习的单阶段全景分割方法,以残差网络为基础构建特征提取网络,将特征提取网络从输入图像获取的特征传输至语义和本文研究设计的实例分割两个子任务分支处理网络。在此基础上,本文基于focal loss的思想方法在实例分割分支设置合适的损失函数,增加图像中小目标在训练损失函数中的比重,提升小目标的分割准确度。对于分支输出结果产生的融合冲突问题,本文采取适合的冲突处理方法,缓解融合阶段两个子任务分支输出的预测结果产生的像素分配冲突问题,最终提升整个网络的分割性能。在多任务学习方面,本文设计改进的基于多任务学习的损失函数,减少了人工调节损失函数权重参数对网络训练的影响,优化了实例分割分支与语义分割分支之间的训练过程,提升网络训练的稳定性和分割的准确性。实验结果表明,本文提出的基于深度学习的单阶段全景分割方法分割准确度能够接近部分两阶段全景分割网络,同时推理速度与其他单阶段模型相差不大,设计改进的基于多任务学习的参数自学习损失函数能够加快网络拟合速度,同时保持训练的稳定性。在子任务分支输出特征融合阶段,对于语义和实例分割分支产生的融合冲突,本文采用的方法能较好地缓解该问题。本文提出的全景分割模型有较好的全景质量,对于其他全景分割模型有一定的参考意义。