作为图像处理和计算机视觉领域中的关键技术,图像分割被广泛应用于工业、医学等各个领域。随着智能工业、智慧医疗的迅速发展,对图像分割准确度和速度的要求也随之增高。传统图像分割方法多依赖于纹理、颜色等低级特征,当场景复杂或图像中存在伪影时,分割效果很难得到提升。近年来,卷积神经网络(Convolutional Neural Network,CNN)凭借其自主提取到图像高层次特征的优势,在多个领域的图像分割任务中取得了突出成绩。本文将从理论和应用出发,针对二维(Two-Dimensional,2D)红外热图像和三维(Three-Dimensional,3D)医学影像,共提出五种基于CNN的改进型图像分割算法,建立多维度图像目标区域分割系统。主要工作如下:(1)提出基于2D全卷积网络(Fully Convolutional Network,FCN)和稠密条件随机场(Dense Conditional Random Field,DCRF)的红外热图像目标区域分割算法。为了解决复杂背景下红外热图像目标区域分割困难的问题,首先,利用FCN进行像素级别特征提取,获得粗分割结果;然后,利用DCRF对粗分割结果进行上下文信息优化,最终实现目标区域的精分割。将该算法应用于实际采集的太阳能板红外热图像数据集,五折交叉验证结果表明,该算法的各项分割性能评估指标均高于现有主要算法。且该算法耗时短,不需要过多的人工干预,能实现复杂场景下红外热图像目标区域的有效分割。(2)提出基于改进型3DU-Net的缺血性脑卒中病灶分割算法。为了能够从3D脑卒中磁共振图像(Magnetic Resonance Images,MRI)中提取足够大范围的深度空间信息,本文引入了 3D U-Net和空洞卷积层;为了解决医学图像分割中常见的类不平衡问题,本文将实验数据以图像采样块的形式输入分割网络,在网络参数固定、获得初步分割结果之后,利用后处理方法细化分割结果。主要研究3D U-Net算法及两种基于3D级联U-Net和空洞卷积的算法,并在2015年缺血性脑卒中分割(Ischemic Stroke Lesion Segmentation,ISLES)挑战赛数据集上进行测试,实验结果表明,3D MRI空间信息的引入明显提升了分割性能;图像块的使用有效解决了类不平衡问题;本文所提出基于3D级联U-Net和空洞卷积的3D dil.1-Net算法测试准确率高达0.81,且实时性高,能够满足临床诊断需求。(3)提出基于3D深度残差U-Net的缺血性脑卒中分割算法。为了避免由于网络层数加深引起网络退化问题的出现,本文基于3D dil.1-Net算法模型,在级联U-Net的一级网络引入残差模块。实验结果表明,3D深度残差U-Net算法在测试集上的准确率和霍尔曼距离两个评估指标均有明显提升,某种程度上可以为临床诊断提供客观依据。综上,本文针对2D和3D图像,分别提出了五种基于深度CNN的目标区域分割算法,并成功应用于实际的红外自然场景分析和医学影像分析。