图像分割是计算机视觉领域的核心任务之一，旨在将图像像素划分为具有语义意义的区域，为场景理解、目标识 别等高层任务提供关键支撑。随着深度学习技术的快速发展，基于深度神经网络的图像分割算法已逐步取代传统方法，成 为研究热点。本文系统梳理了深度学习驱动的图像分割技术演进历程，重点分析了全卷积网络（FCN）、U-Net、Mask R-CNN 等经典算法的网络结构与创新机制，并探讨了 Transformer、注意力机制、多尺度特征融合等前沿技术在分割任务中的应用。 通过对比不同算法在医学影像、自动驾驶、遥感图像等领域的性能表现，本文总结了当前研究面临的小目标分割精度不足、 实时性与模型复杂度矛盾、标注数据依赖等挑战，并展望了弱监督学习、多模态融合、轻量化模型设计等未来发展方向。 研究表明，深度学习模型凭借端到端学习能力和特征表达优势，已显著提升图像分割的精度与泛化性，但其在复杂场景适 应性和实际部署效率上仍需进一步突破。