目标分割一直是计算机视觉领域的核心问题，同时也是一个棘手问题。多年来研究人员对目标分割开展了广泛的研究，但一直未能取得满意的效果。近年来兴起的深度学习技术将目标分割的性能推向了一个新的高度，并在很多工业场景下获得了广泛的应用。然而，现有目标分割模型大多侧重于追求更高的检测性能(例如mAP等)，对于许多相对单一的工业场景来说，更高的分割精度比检测性能更加重要，例如工业测量、工业缺陷检测等场景。针对这一现状，本文对目标分割模型进行了深入研究，实现了一种基于深度学习的高精度目标分割模型，并尝试将模型应用于工业场景中。本文的研究和实验所基于的具体应用场景包括绝缘子缺陷分析、螺钉潜在缺陷检测等高压输电领域。
　　本文通过对基于深度学习的目标检测和分割算法进行广泛调研，分析了基于深度学习的目标分割模型的优势和缺点，探讨了提高分割精度的技术和方法，并提出了一种端到端的高精度的输电杆塔绝缘子分割模型。论文对提出的绝缘子高精度分割模型进行了大量测试和分析，结果显示，该模型在自定义绝缘子目标分割测试集上能达到93.75%的mIOU，优化后的模型能达到接近95%的mIOU，超过了MaskR-CNN等主流目标分割模型。实验结果也表明该模型的速度性能和精度性能已接近实际工业场景的需求。
　　本文还对基于深度学习方法的螺钉检测和缺陷识别进行了测试和分析，进一步证明了本文提出的目标分割模型的适应性和实用性。