从单目图像中推理物体的遮挡关系是计算机视觉基础任务之一。从观察者的角度看,遮挡关系反映了场景中物体之间的相对深度差异。因此,遮挡关系推理也是感知和理解场景的重要步骤之一,可用于物体检测、分割和3D重建等。遮挡关系推理用遮挡边缘来描述物体,并用方向值描述物体之间的遮挡次序。然而前人的方法中,遮挡边缘存在较多误检和漏检,并且遮挡关系推理的误检率较高。其原因是他们忽视了遮挡边缘和遮挡次序之间同时存在着关联性和差异性,并且其特征没有被充分提取。针对以上问题,本文设计了基于多特征融合的遮挡关系推理系统。本系统输入单目图片,输出遮挡边缘图以及物体之间的遮挡关系图,并分为三个部分:特征提取模块、语义融合模块和分流预测模块。首先,在特征提取模块中,针对遮挡边缘漏检、不连续的问题,本文设计了简单而有效的边缘精炼子模块来获取空间线索,并设计了边缘监督子模块实现更精确的边缘定位。为了获得物体级别的遮挡边缘,本课题采用了轮廓注意力增强子模块,用以对高语义的上下文特征进行学习,增强系统中物体的轮廓感知。针对方向值回归不准确的问题,本课题使用场景学习子模块对物体轮廓两侧信息进行有效感知。接着,本文设计了语义融合模块,来解决多层次结构特征的差异问题。该模块将遮挡关系推理任务的两个子任务——遮挡边缘检测和遮挡方向预测分别进行语义融合,得到统一的自适应特征图。最后,在分流预测模块中,对遮挡边缘和遮挡方向分别进行检测和预测。该模块使用了两种损失函数联合监督学习,注意力损失函数解决了遮挡边缘检测中正负样本极度不均衡问题,而L1损失函数有效地处理遮挡方向连续值预测问题。本文方法在PIOD和BSDS ownership数据集上,从定量和定性的角度对本方法进行实验的验证和评测。本方法在显著提升遮挡关系推理效果的同时,保证了较低的算法复杂度。