近年来,深度学习发展迅猛,在计算机视觉、语音识别和语言文本处理等领域得到广泛应用。卷积神经网络(CNN)作为深度学习中应用最广泛的网络模型之一,在图像特征提取方面取得了重大突破,掀起了卷积神经网络结构研究的浪潮。在图像分割问题中,目标特征信息的提取至关重要,卷积神经网络是一种提取图像特征的有效手段。然而,CNN模型中池化层的下采样作用将降低输出图像的分辨率,导致无法实现像素级的语义分割。同时,目标局部特征与全局特征的不充分提取将大大减弱网络判断的准确度,导致分割结果不尽人意。因此,本文期望通过将图像的多尺度信息加入到三维空洞卷积神经网络中,增加特征中所携带的上下文信息,提高图像分割的精确度。噪声会严重干扰图像分割结果,为了提高分割精度,在分割之前对图像进行了去噪增强的预处理。综上,本文具体做了以下三个方面的研究:(1)提出一种基于稀疏低秩字典下联合稀疏逼近的图像去噪方法。通过对图像相似块组矩阵进行稀疏低秩分解,将得到的稀疏矩阵和低秩矩阵组合成过完备冗余字典,增加字典的先验信息。采用联合稀疏表示法在该字典下对无噪相似块组矩阵进行逼近,进一步提取了稀疏部分中的细节信息,在取得较好的去噪效果同时细节信息保留完整。通过在医学图像和合成孔径雷达(SAR)图像上的去噪实验,本文所提出的算法能够有效去除图像中的噪声,同时图像细节纹理信息保留完好。(2)提出一种基于迁移卷积神经网络的磁共振图像中静脉血管分割方法。针对磁共振图像中静脉血管目标较小且具有形变特性等问题,我们通过构建成对卷积神经网络从两个尺度分别提取目标的全局特征与局部特征,从而实现静脉血管的准确定位与粗分割。为了提高分割精度,我们将粗分割图像输入到基于距离和轮廓正则的水平集模型中,最终得到静脉血管的分割结果图像。针对不同病例,将已训练好的网络的参数迁移到该病例的网络中,用于完成不同病例的静脉血管分割,有效节约了时间成本。在10个病例上的实验结果表明,我们的算法能够有效地分割出静脉血管并且平均敏感度达到87.60%,平均特异性达到99.96%,平均Dice相似度达到86.32%以及平均修正Hausdoff距离达到0.0991mm。(3)提出一种基于三维空洞卷积神经网络的SAR图像舰船分割方法。通过增加图像小波特征构建出基于多尺度的三维图像块,以该三维图像块作为三维空洞卷积神经网络的输入,提高网络提取目标全局特征与局部特征的能力。三维空洞卷积神经网络采用端到端的网络结构,网络输出即为最终输出结果,模型使用方便且效率更高。同时,三维空洞卷积神经网络中的卷积核包含三维空洞卷积核,可在网络参数可控的范围内,极大地增加感受野,使得每个特征所包含的信息量越来越大,有助于图像全局信息的提取。实验结果表明我们的方法能有效地分割出SAR图像中的多个舰船目标并且在测试图像上得到的平均敏感度达到90.04%,平均特异性达到99.96%,平均Dice相似度达到93.86%,平均修正Hausdorff距离达到0.1110m。