基于深度学习的实例分割是图像处理领域的热门分支和极具挑战的任务。实例分割不仅需要具备目标检测定位目标位置和语义分割区分目标类别的能力,还需要分辨出同一类物体的不同个体。目前两阶段实例分割可以达到较好的分割精度,但单阶段实例分割凭借更简单的网络结构,在速度上更胜一筹。基于轮廓点在极坐标上表示掩膜的方法为单阶段实例分割开辟了新的思路,其优点在于简化了实例掩膜的建模过程,同时在训练阶段没有锚框的限制。本文致力于用轮廓点来表征图像中目标掩膜的单阶段实例分割方法研究。针对实例分割中边缘信息模糊的问题,本文设计出基于轮廓点建模的单阶段实例分割网络,提出局部感受野扩大策略和不规则卷积核采样策略并设计相应模块。首先,在所提网络的主干部分引入局部感受野扩大模块,在不牺牲特征图尺寸且不增加参数量的前提下增加网络的感受野,使网络能够在特征提取时充分获取多尺度信息,同时弥补下采样造成的信息缺失,并增加网络对小目标的捕获能力。其次,在检测网络部分引入不规则卷积核采样模块,使卷积核不再局限于规则的矩形,而是更贴近目标的形状和尺寸,从而更好地利用目标的特征完成后续任务。实验结果表明,所提模块均能改善实例分割过程中的边缘信息模糊问题。针对实例分割过程中语义信息不足会导致网络无法获取更准确的轮廓信息的问题,本文在已设计网络的基础上增加语义分割分支,设计出语义信息引导的单阶段实例分割网络。该分支在训练阶段通过简单的结构将浅层的细节信息和深层的语义信息充分结合并利用,可以补充和矫正实例分割的结果。同时,提出语义分割区域缩小方案,以避免背景相比于整张图片占比太大时对语义分割任务造成影响。此外,本文使用自适应优化器,实现损失函数灵活且稳定地收敛。实验结果表明,所提分支能够进一步细化目标边缘,提升网络性能。最后,将所提网络模型与当前最新的实例分割网络进行了实验对比,验证了本文网络结构的性能优势。