目前大多数基于深度学习的上采样在实现对特征图尺寸的放大时,容易在具有丰富纹理特征的区域产生伪影、模糊的现象,无法对提取到特征信息的重要性进行区分,导致无法有效地提取特征图包含的细节信息,影响预测任务的效果。本文针对上述问题,讨论了有效上采样设计思路,提出特征增强的上采样方法并分别构造不同的模型结构应用到语义分割和目标检测网络中。具体工作如下:首先,为了避免简单上采样操作造成的分割图像模糊现象,本文提出了特征增强上采样运算符,生成具有区域自适应的上采样内核,可以在密集通道中筛选有效信息,剔除冗余信息的干扰。特征增强上采样内核以内容感知的方式重组特征,在恢复特征图分辨率的同时,重建出具有清晰纹理的输出。另外,本文从特征金字塔入手,提出一种跳跃的多尺度融合方式,将高层语义信息补充到低层级中,弥补不同层级间信息的差异,加强对小目标的语义信息表达。通过在经典语义分割任务实验表明,本文提出的算法在ADE20k场景数据集上表现出可观的效果,可以作为未来研究工作的强大基础。然后,为了提升目标检测算法对图像中多尺度目标检测效果,本文对特征增强上采样运算符的设计进行探讨,设计了优化特征增强上采样运算符,引入具有通道和空间感知能力的卷积注意力机制,使特征细节信息得到了充分的表达,并使用具有多尺度感受野的卷积操作提升内核的多层次局部变换能力,加强了上采样过程对不同尺寸特征的像素恢复效果进而提高多尺度目标检测的性能。此外,本文提出改进的特征金字塔模型,联合水平和跨水平向上的路径来构造横向连接,引入并行降维架构捕获不同感受野。通过构建具有跨空间维度的精细分辨率网络,提高特征融合网络的性能。在PASCAL VOC数据集上的实验数据表明,本文提出的算法在目标检测网络上取得了良好的效果。