近年来，基于深度学习的图像分割和抠图算法在计算机辅助诊断、视频编辑等众多领域中得到快速发展。然而，在计算机辅助诊断领域，存在训练数据不足、样本分布不均、病变区域边界模糊等难点问题。在视频编辑方面，运动模糊抠图是经典难题。现有运动模糊抠图方法存在依赖人机交互或短曝光图像辅助的缺点，并且缺少训练数据。针对这些问题，本文展开了深入研究并做出以下贡献：

1.融合基于图像块分类的全卷积分割网络和条件随机场网络进行脑肿瘤分割。在这个融合模型中，基于图像块分类的全卷积分割网络，用图像块分类形式进行训练，以缓解训练数据不足以及样本不均衡问题；用切片分割形式进行测试，以避免冗余计算量太大问题。条件随机场网络，以切片分割的形式进行训练和测试。它可以提高分割结果在外观和空间上的连续性，进而提高分割边界的准确性。融合网络的两个部分需要不同的训练条件，因此整个融合网络需要分三步进行训练：第1步，以图像块分类形式训练全卷积网络；第2步，固定全卷积网络参数，以切片分割形式训练条件随机场；第3步，以切片分割形式微调整个融合网络。BraTS 2013和2016数据中的实验表明，融合网络的脑肿瘤分割性能达到同期该领域最先进水平。

2.融合多角度二维全卷积分割网络进行三维脑肿瘤分割。由于三维卷积网络计算量太大，很多研究人员选用二维卷积网络以逐切片分割的方式进行三维脑肿瘤分割。然而二维卷积网络无法利用磁共振图像中的三维信息。为了解决这个问题，分别使用轴状、冠状、失状三个方向的图像块训练三个二维全卷积分割网络。三个网络分别从三个不同的角度对磁共振图像进行逐切片分割，并输出三个分割概率图。接下来，将三个分割概率图进行融合并将融合以后的分割概率图送入三维条件随机场进行优化。融合三个方向分割概率图和使用三维条件随机场均能有效利用起磁共振图像中的部分三维信息。BraTS 2015和2017数据中的实验表明，以上脑肿瘤分割方法达到同期该领域先进水平。

3.提出了一种基于alpha图估计的运动模糊手部自动抠图算法，并使用该算法的抠图结果修正人体分割结果。该抠图算法利用基于深度可分离卷积的编解码网络对表征前景不透明度的alpha图进行端到端估计，克服之前运动模糊抠图算法需要人机交互或短曝光图像辅助的缺点。另外，为了克服缺少训练数据的问题，提出了一种基于手部运动规律和运动模糊产生原理的虚拟运动模糊手部图像生成方法。该方法可以同时生成虚拟运动模糊手部图像及其对应的alpha真值图。在虚拟数据中的定量测试表明，以上抠图算法的抠图性能达到同期该领域先进水平。在真实视频中的定性测试表明，使用虚拟数据训练的抠图网络在真实视频中也具有很好的抠图性能。

4.提出了一种alpha图和前景图同时估计的运动模糊手部自动抠图方法。之前，大部分基于深度学习的抠图算法仅对alpha图进行估计。然而，仅仅已知alpha图的情况下，无法完全去除半透明区域的背景信息。在运动模糊手部图像中，半透明区域面积较大。残留的背景信息会严重降低背景更换后的真实感。本文提出的alpha图和前景图同时估计的运动模糊手部自动抠图网络可以有效解决这个问题。该网络采用多任务编解码结构。多个任务具有各自独立的解码网络，但是共用一个编码网络。共用的编码网络可以提取更加共性的特征，从而提高抠图性能。另外，为了提高抠图结果外观的合理性，在损失函数中添加了感知损失。实验证明，共用编码网络和使用感知损失均能明显提高抠图性能，并且同时估计alpha图和前景图的抠图网络可以输出更加真实自然的抠图结果。

5.提出了一种运动模糊手部和肖像的图像合成方法，并利用合成图像训练运动模糊手部和肖像的同时抠图网络。在使用视频聊天等视频应用时，画面中经常出现运动模糊的手部。要想进行运动模糊手部和肖像的同时抠图，需要大量该类训练数据。为了解决缺少该类训练数据的问题，本文将虚拟运动模糊手部图像和肖像按照一定规则合成到一幅图像中，并且同时生成alpha真值图和前景真值图。另外，为了使得合成图像更加真实，提出了一种肤色调整方法使得合成图像中手部和肖像面部肤色尽量一致。实验结果表明，该方法生成的合成图像可以很好地训练运动模糊手部和肖像的同时抠图网络，并且训练好的抠图网络在真实视频的发丝位置和运动模糊位置也具有很好的抠图性能。