图像分割是计算机视觉中一个重要的研究领域，相关算法在学术界中可以帮助研究目标跟踪、视觉问答等下游任务，在工业界中可以被应用到自动驾驶、机器人导航等多个场景中。近些年来，随着图像数据的增多、计算机算力的增强、深度神经网络的兴起，多种基于深度学习的图像分割模型被设计出来，这些模型在一些常用的数据集中取得了比较高的准确性。但是，图像分割领域仍然存在着一些难以解决的问题，比如图像中物体的尺度变化大、前景与背景的相似度高、前景信息与背景信息不均衡、物体密集或者相互之间存在遮挡的复杂场景等。面对这些问题，如何进一步提升图像分割模型的性能、效率和鲁棒性亟待深入研究。本文的工作采用边缘信息辅助的深度神经网络方法，围绕上述问题进行了图像分割算法的研究。主要的研究内容与贡献为：

      1. 经过对现有的使用边缘辅助语义分割模型的分析，本文认为这些模型在面对前景与背景相似度高的图像时，存在两个缺陷：（1）无法产生有强判别性的边缘特征和准确的边缘预测结果；（2）不准确的边缘特征和边缘预测结果无法有效地引导分割分支输出准确的掩膜。针对这两个问题，本文一方面提出了差分边缘检测模块RDM采用同时优化边缘部分和非边缘部分的方式产生更精确的边缘预测结果，另一方面设计了一个基于点的图卷积神经网络模块PGM，PGM基于RDM产生的精确的边缘改善分割特征以输出准确的掩膜预测结果。本文在透明物体分割数据集上验证了RDM和PGM的有效性，在通用语义分割数据集上验证了模型的泛化能力。

      2. 针对前景信息与背景信息不平衡的问题，本文认为现有的相关语义分割方法无法在突出前景信息的同时有效地建模大范围的信息依赖。为此，本文提出了以稀疏点的形式传递语义信息的模块PFM。PFM首先在backbone产生的两张相邻的特征图上采样一些稀疏的点，然后把这些点对应的上层特征图中的高级语义信息传递到下层的高分辨率特征图上。在不同特征之间使用多个PFM使得高级语义信息逐层向下流动，最终得到一张高分辨率并且具有高级语义信息的特征图，有助于准确的语义分割。因为绝大部分采样点位于前景物体及其边缘上， 所以PFM在突出前景信息的同时可以使用稀疏的注意力机制建模大范围的信息依赖而不会给前景物体引入过多的背景噪声。本文在遥感图像语义分割数据集上验证了PFM的有效性，并且在通用的语义分割数据集上验证了其泛化能力。

      3. 物体密集或者相互之间存在遮挡的复杂场景广泛地存在于多种图像分割任务中。现有的部分图像分割方法首先检测物体的边缘来帮助精确地定位物体，然后进行准确的物体分割。但是这些方法在面对上述复杂场景时效果并不理想，其主要原因是：在这些场景中，直接检测出物体的边缘并不容易。为此，本文中采用分而治之的思想把边缘检测分成了两个更简单的子任务：从物体的内部和外部分别向边缘扩张或收缩，两个子任务输出结果的交汇处就是物体的边缘。文中提出了一个边缘挤压模块BSM来完成这两个子任务。因为实例分割是主要面向物体的分割，所以BSM可以很好地运用在实例分割任务上；此外，如果把语义分割中的每一个类别看成一个物体，类别与类别之间的分界也是边缘部分，所以BSM同样可以运用在语义分割任务上。本文在实例分割和语义分割的多个数据集上验证了模型的有效性和泛化能力。