近年来，深度学习技术广泛应用于计算机视觉领域，现实生活中越来越多的应用场景需要从图像中获取相关的知识或语义，从而进行进一步的分析与理解，而图像语义分割为场景理解提供了分析基础。基于深度学习的图像分析技术已经逐步深入到畜牧管理的各个领域。
　　如何通过图像获取马匹信息，成为利用计算机技术处理图像信息的重要技术节点。精准地分割出目标马匹，是后续对马匹行为识别、马匹体尺数据测量、马匹体重检测，健康状况分析研究的基础，图像分割的效果决定了后续工作的可靠性。
　　本文围绕实际马匹图像分割中遇到的分割边缘不清晰，分割效果不好等关键问题开展研究，提出一种基于全卷积神经网络的马匹图像分割算法，并将算法应用于实际生产过程中。主要研究工作如下：
　　(1)建立马匹图像分割数据集，数据集图像采集于伊犁昭苏马场，拍摄时间分早中晚，原始数据中即存在现实生活中存在的强光和阴影噪声。在已有的深度卷积神经网络(DCNN)上进行迁移学习，并加入全连接条件随机场(CRF)对原算法进行改进，对分割边缘进一步优化。改进后的模型于原分割模型作对比，结果显示对比原模型在均交并比上提高3.8%。
　　(2)对比现有流行图像检测分割算法MaskR-CNN、FCN，分析各算法在分割精度以及平均交并比、模型消耗时间方面的优劣，并在原模型基础模型上进行迁移学习，对分割结果进行对比分析。
　　(3)结合以上工作，设计开发马匹图像分割系统，将马匹图像分割算法应用于生产环境中。分割系统采用开源Django框架作为后台基础框架，前端采用HTML5、CSS、JavaScript语言技术，数据库使用SQLite，基础编程语言为Python3，实现Web端马匹图像分割，为马匹图像场景理解打下分析基础。
　　本系统作为新疆马业马生产过程管理平台的子功能，实现了马匹登记图片的分割与马匹电子病历图片的分割，为后续通过图片预测体尺信息及病症分析提供研究基础。