近年来,深度学习技术的快速发展为图像处理带来了新的机遇,特别是在图像分割、图像识别、图像理解等方面。图像分割是将图像中边缘、区域等特征提取出来,支撑图像处理下游任务,在学术界和工业界受到广泛关注。全景分割融合了图像分割的语义分割与实例分割结果,在图像深入理解场景,如视频监控、自动驾驶、医学图像诊断等发挥了重要作用。全景分割完成对图中的所有物体的背景进行检测与分割,主要分为特征提取、语义与实例分割、子任务融合三部分。特征提取的完整性和任务融合的充分性直接决定了全景分割效果。虽然当前研究已取得了一些进展,但在上下文特征及小目标特征提取仍存在信息丢失问题,同时,由于语义及实例分割采用不同技术,在子任务融合过程中存在交互性差等问题。本文从特征提取的特征增强和任务融合的特征交互两方面进行改进,提升图像全景分割效果。主要研究内容及贡献如下:1.基于双路金字塔网络的视觉特征增强方法针对全景分割网络中特征提取部分信息丢失的问题,本文提出了双路金字塔网络模型,其中的双向的特征提取方法有效的提取了丢失的信息;同时引入了空洞空间池化金字塔提取上下文信息,注意力机制模块对小目标的特征提取进行了增强。提出的模型在Cityscapes数据集和COCO数据集上测试,得到了较好的结果。2.基于语义与实例的特征交互方法针对语义和实例分割部分特征交互性差的问题,本文提出了语义和实例一致性的交互方法,有效结合了实例与语义的特征,实现了两者特征信息的交互。子任务融合部分采用了多数票规则对分支结果进行融合。提出的模型结合了基于双路金字塔网络的视觉特征增强方法,在Cityscapes和COCO数据集中的测试结果得到了进一步有效地提升。