从输入图像中分割得到不同物体的语义块信息,是图像分割、语义识别领域的重要研究问题。而该问题的逆问题,基于语义信息生成逼真的指定物体图像,同样是图像合成领域的重要问题。本论文针对货柜零售商品的图像分割和生成这一实际应用问题,对上述这对互逆的问题展开研究,提出了一套行之有效的方法,能够满足多样化场景下商品对象分割的需求,同时能生成单商品和多商品的图像数据。首先,对于商品对象的分割问题,设计并实现了一种基于逐步放宽固定背景假设的商品对象分割方法,以实现在不同场景下商品对象的准确分割。该方法以固定背景为基础假设,借助采集设备及计算得到的先验图来实现对商品对象的自动分割。对于倒影等破坏固定背景假设的场景,借助多相机生成可视外壳并进一步将其投影到图像,形成可视外壳约束来进行倒影去除的分割优化。在多个运动物体同时出现在固定场景的情况,利用面向图像序列分割的深度学习方法,从粗到细逐步学习特定目标物体的特征信息,从而实现有筛选的商品对象分割。在定性定量实验中,超60%的用户倾向和平均90%以上的倒影去除率表明本文方法能针对不同场景图像中的商品对象进行有效分割。其次,对于逆向的商品对象的图像生成问题,提出了一种基于生成对抗网络的商品图像生成方法,以期望在提供少量指导信息的情况下,实现高质量逼真图像的生成。无需对商品对象的类别进行约束时,使用随机噪声进行单个商品图像的生成;在需指定生成图像的单个商品对象类别时,借助语义信息来辅助指导。在进行多商品对象图像生成时,使用基于包围矩形表示的语义标注图简化数据标注工作,并减少所需提供的指导信息;此外,转换器-增强器这一框架结构使得转换器专注于从粗粒度上将语义信息转换为图像,而增强器专注于在细粒度上提升图像的细节。定量实验表明,在结构相似性和峰值信噪比这两个图像生成质量指标上,本文方法相对基线方法分别有3.04%和1.04%以上的提升。在定性实验中,超50%的用户倾向也表明了本文商品对象图像生成算法的有效性。