目标检测和语义分割作为计算机视觉领域内的研究热点,具有重要的研究价值和广泛的应用前景。现有的语义分割或目标检测任务的单任务模型的性能在工业界已有一定应用价值,但仍然存在数据量不足、训练周期长、过拟合以及学习效率低等弊端。而多任务学习能够通过隐式数据增强,以及多任务间的相互作用提升模型的泛化能力,减轻过拟合并降低模型陷入局部最优的风险。本文利用多任务学习的思想,将目标检测和语义分割两个任务进行联合学习,使用高分辨率网络为骨干构建能够支持目标检测和语义分割任务联合学习的多任务高分辨率网络Multi-HRNet。高分辨率网络采用了多分辨率子网络并联的结构,在网络的整个过程中保留了高分辨率的表示,使模型提取的特征更加完整且丰富。提出的多任务模型中采用硬参数共享的结构,骨干网络在不同任务间共享,通过在网络末端添加相互独立的任务分支头,实现对不同任务的特殊处理。在实验中,本文首先对高分辨率进行了复现,并在cityscapes和MSCOCO数据集上对目标检测和语义分割两个任务单独训练和测试,随后对本文提出的多任务高分辨率网络进行了搭建,并将两个任务在同样的数据集上进行联合训练并测试,在我们选择的数据集上验证了多任务联合训练后的模型性能在各个任务上均有一定程度的提升。本文基于注意力机制的思想对提出的多任务高分辨率模型做出进一步改进。注意力机制通过为输入的特征分配注意力权重,能够突出重要特征,同时抑制无关特征的干扰。基于注意力机制的改进,将在不同任务分支前添加通道注意力门控模块,通道注意力能够帮助模型筛选出对不同任务更有价值的信息,从而提升模型在不同任务上的性能;同时在骨干网络中融合卷积注意力模块来丰富模型的表达能力,在我们选择的验证数据集上取得了一定程度的提升。