近几年,由于深度学习网络性能的不断进步,图像分割算法取得了突破性的进展,基于深度学习的图像分割算法层出不穷。虽然现有算法能较好的分割出目标物体,但在边缘细节上仍有一定的不足。而图像分割效果的好坏,往往影响着后续图像处理的任务。所以,研究出精确的图像分割算法对整个计算视觉技术的推进与应用意义重大。本文针对目前的图像分割算法对于物体的某些细长、尖锐部分分割效果不好的问题,提出了一种基于细节语义驱动的图像精细化分割框架,通过细节语义提取模块提取出标签的细节语义,针对语义细节增加网络分支,使网络能够更加注重物体的细节部分而不丢失物体关键部分的语义,从而实现更加精细的分割结果,具体的创新点和研究内容如下:（1）在Mask R-CNN特征金字塔中增加了通道注意力机制,强化不同通道之间的依赖关系,提高网络的特征提取能力,为接下来的双监督学习模式提供了性能保障。（2）提出细节语义的概念,将物体的细节信息作为标签输入到网络,强化了网络在关键语义区域的分割精度。并讨论多种细节语义的形式:角点语义、轮廓语义、中轴区域语义。使用传统的图像方法来实现不同语义的提取。（3）搭建端到端的图像实例分割算法框架。使用双重任务的监督方式,原始分割任务和细节语义监督任务相互引导和促进,并在标准的COCO数据集和自制的室内场景数据集中分别验证了算法的优越性。本文在Mask R-CNN的基础上搭建了基于细节语义驱动的图像精细化分割框架,引入了注意力机制和细节语义的方法,比目前的实例分割方法具有更强的特征提取能力和细节语义学习能力,因此能比一般的实例分割方法能做到更加精细化的分割。此外,本文提出的细节语义提取模块具有普适性,不仅可以使用在Mask R-CNN中,也可以使用在大部分其它图像分割算法上。