高原鼠兔是青藏高原特有物种之一。高原鼠兔在维护高原草地生态平衡的同时又容易泛滥成灾形成鼠害。准确的预测高原鼠兔的种群数量并采取相应的防治措施对减少鼠害的发生、维护高原草地生态平衡都具有重要意义。随着机器视觉技术的快速发展,通过智能监控设备获取高原鼠兔种群数量成为可能。高原鼠兔目标检测与分割是获取高原鼠兔种群数量的基础,而自然场景下的高原鼠兔图像,目标尺寸小、背景复杂、目标特征不显著,加大了目标检测与分割的难度。本文以Faster-RCNN模型为基础的目标检测模型,针对Faster-RCNN模型中锚点框引入的重复采样以及背景噪声导致的目标检测精度低的问题,提出了基于语义分割的感兴趣区域生成方法。该方法把感兴趣区域的搜索问题转化为前景与背景的二值语义分割问题;然后将语义分割所得的分割掩码通过中值滤波以及连通域分析,直接得到感兴趣区域的位置以及大小,避免了采用锚点框来生成感兴趣区域,降低了背景噪声对目标检测的影响。该方法简化了目标检测模型的同时降低了计算复杂度。对自然场景下的高原鼠兔图像目标检测的实验结果表明:本文提出的基于语义分割的感兴趣区域生成方法与Faster-RCNN模型的RPN网络相比,最优F1值高出27.75%。精确的语义分割需要大量的标记数据,而语义分割数据集的标注成本高,导致训练数据缺乏,训练模型的数据量小。针对分割标记数据有限的问题,提出一种基于数据增强的小样本语义分割模型。首先将基于语义分割感兴趣区域生成的目标检测标记数据作为一个弱监督训练数据集,利用该数据集训练一个语义分割模型,实现从原始图像到粗分割掩码的映射;然后,提出一种基于前景、背景分离的数据扩充方法,将有限的训练数据扩展为更大的训练集。在此基础上利用扩充后的分割训练数据对语义模型进行微调,降低了语义分割模型对分割标记数据的依赖,提升了模型的分割性能。对自然场景下的高原鼠兔图像语义分割的实验结果表明:基于数据增强的小样本语义分割模型分割性能接近于采用大量分割训练数据集的语义分割模型,分割性能优于Chan-Vese模型。表明基于前、背景分离的数据扩充方法可以有效的提升模型的分割性能。