近些年实例分割任务越来越多的受到研究者们的关注与研究,但目前为止该任务依然没有达到令人满意的效果,其中大部分算法都无法达到实时性的要求,即使达到实时性的算法也很难具有较高的准确度。为了在工程中使用具有实时性的实例分割算法,本论文在YOLACT算法的基础上进行了相关改进,并在保证实时性的同时进一步提高算法准确度。然后在实例分割算法的基础上进一步研究了行人属性识别算法,并通过实例分割方法解决行人属性识别中背景对识别造成影响的问题。本文的主要研究内容和贡献如下。1、本论文针对YOLACT算法中无法正确区分重叠检框内的不同实例的问题进行了相应改进,并在保证实时性的同时进一步提高了算法的准确度。当两个实例的检测框产生部分重叠时,YOLACT算法仅仅预测各自检测框内的实例掩码图,并没有考虑检测框内可能包含了其他实例的问题,因此本论文提出抑制重叠检测框内其他实例的方法,该方法在一定程度上提高了掩码预测的准确度。另外为了提高YOLACT算法的检测识别性,本论文设计了一种多尺度通道注意力机制以及使用自底向上的特征融合方法,该注意力机制使用全局和局部信息共同表征特征图的重要性,自底向上的特征融合方法缩短了网络的传播路径,并且能将底层的位置信息传入高层。最后通过实验证明了上述方法在保证实时性的前提下,将网络的准确度提升至37.1%。2、针对复杂环境下行人属性识别中对背景的关注而导致识别准确度不高的问题,本论文采用实例分割方法来抑制背景对行人属性识别的影响。该方法使用改进后的YOLACT算法来提取行人掩码,然后对特征图进行裁剪处理。为了提高不同属性之间的关联性,本论文将不同卷积层输出的特征图进行拼接,把不同尺度的属性进行融合;行人属性识别中的多任务分类网络存在类别不平衡以及训练速度不同的问题,本论文使用梯度权重损失函数来改善此问题。3、本论文实现了车辆及行人视频结构化信息抽取及检索系统。车辆及行人视频结构化信息抽取及检索系统分为后端和前端部分,后端进行算法处理任务,前端进行显示交互等任务。后端部分包含了实例分割算法和车辆及行人识别算法。前端任务通过界面进行展示,增加了与用户之间的交互性。最后对输入图像进行相关测试展示了该系统的实用性。