近年来,随着自动驾驶领域的快速发展,图像分割技术成为研究的热点。为了取得更好的分割性能,实际应用中需要大量的像素级标注,但制作此类样本数据耗时费力。考虑到通用目标类的公开数据集已经有部分像素级标注,可以利用迁移学习的方式改善监督信息缺失的问题。然而此类图像分割技术并没有考虑目标尺度多样性,还存在单一模型泛化性能不佳,类别预测错误导致图像分割失败的问题。故本文使用弱监督迁移学习为基础框架,构建三类提取多尺度特征的网络,以此组成差异化同质型基模型,再使用集成方式进行模型融合,最后通过类别预测和可信度优化的方式提升模型的性能。主要工作如下:(1)构建了一种学习多尺度特征的图像分割方法。整体分割框架仍沿用弱监督式迁移学习模型的编解码结构,在编码器提取特征的部分更换为新构建的金字塔式并行输入、嵌套层级式融合、金字塔式池化结构,提取多尺度特征。实验结果表明,金字塔式并行输入对目标细节信息处理更完整,层级的差异性特征融合对目标边缘轮廓分割更平滑,在总体性能上与原迁移学习算法的性能相当。(2)提出了一种多尺度模型集成的图像分割方法。该方法是在获得具有一定准确性和差异性的多尺度个体学习器基础上,利用集成算法将各基模型的并行计算结果采用加权平均的方式进行融合,通过各模型的差异性互补来有效规避单一模型的性能缺陷,增强模型泛化性能。实验结果表明,双模型集成算法的性能为54.7%,三模型集成的算法性能为54.8%,同比原迁移学习算法提升了5.2%。(3)提出了一种融合类别预测及可信度优化的图像分割算法。该方法是在多尺度集成图像分割模型基础上,将图像分割任务的类别预测和像素级分类单独评估,额外引入分类器,给出预测过程的目标类信息,以此缓解因类信息错误造成分割失败的情况,而通过类与像素的可信度相结合,有效规避假正例分割区域。最后,本文算法在VOC 2012验证集上的平均重叠率为58.3%,测试集上的平均重叠率为57.5%,同比原迁移学习模型分别提升11.9%和12.3%,也优于其他以类标作为监督信息的语义分割算法。