随着深度学习的发展,计算机视觉的各个领域都得到了长足的发展。人脸由于包含人的生物特征且易于采集,受到更多学者的关注。人脸方面的应用从最初的人脸检测、人脸识别到现在的人脸交互和人脸理解,人脸分割算法起到了至关重要的作用。人脸分割算法是对人脸单帧图片的每个像素进行分类,相比人脸检测可以达到更加精准的效果。为了解决人脸分割任务中不同人脸部件邻接处分割效果较差这一问题,提出了基于边缘融合的人脸分割算法。通过对分割模型添加一个新的分支,进行人脸部件的边缘检测,以达到对边缘进行加强训练的目的。同时,将边缘信息与语义信息相融合,以达到更好的分割结果。为了证明边缘融合的人脸分割算法的有效性,对比了不添加边缘信息的模型,证明了边缘融合对于模型效果有明显提升。通过对学术界领先的四个分割算法进行对比实验,基于边缘融合的人脸分割算法达到了在Helen人脸分割数据集上最优的效果。为了减少人脸分割数据集标注的时间成本,提出了一种人脸分割数据集生成方法。该方法利用了人脸关键点的位置信息辅助人脸分割数据集的生成,同时为了生成更符合人脸形状和结构的数据,利用插值法和多项式拟合的方法对人脸不同部件分别进行优化。为了证明该方法的有效性,对比了人脸分割数据集生成方法生成的数据与Helen数据集的数据,对于人脸头发区域和五官细节部分,人脸分割数据集生成方法生成的数据都明显优于Helen数据集。