图像分割是计算机视觉与图像处理应用的关键基础,其研究目标是根据图像内在特征建立像素级标签,将其划分为不同的语义区域。随着深度学习技术的兴起,基于卷积神经网络的图像分割技术取得了阶段性突破。然而,现有方法主要基于图像局部特征到像素级标签的非线性映射,其成功依赖于成像清晰、规模庞大的高质量训练数据集,在众多实际应用中均难以获取。一方面,恶劣天气（如雨、雾）环境下采集的图像数据规模大,但能见度低,为精准的图像描述带来巨大挑战;另一方面,在专业背景强的应用领域（如医疗、军事目标图像分析）,图像采集和标注存在困难,成像清晰但规模小,显著增加模型训练的过拟合风险。针对高质量训练集供给不足带来的挑战,本文从关系建模的角度出发,建立非局部的图像特征描述,增强模型的上下文关系捕获能力,从而提升图像分割算法的鲁棒性与泛化能力。具体包括如下三个方面:空域上下文关系建模、语义无关特征域上下文关系建模,以及语义相关特征域上下文关系建模。（1）针对有雾图像分割,从提升成像清晰度的角度出发,提出一种基于空域上下文关系的图像去雾方法,设计区域自适应两阶段网络来建模有雾图像在像素空间的上下文关系,采用两阶段策略和区域自适应融合策略,使得模型能够满足不同空间位置区域对图像亮度调整和细节修复的自适应需求,极大提高了有雾图像的恢复质量,进而提升其分割精度。（2）针对有雾图像分割,从提升机器感知的角度出发,提出一种基于语义无关特征域上下文关系的有雾特征增强方法,设计深度特征精细化模块来建模有雾图像在特征空间的上下文关系,使得模型能够有效捕捉不同特征点的远近距离依赖关系,避免了去雾图像中语义无关的伪影对分割性能的影响,降低了模型的复杂度和推理时间,并提高了分割精度和泛化性能。（3）针对小样本图像分割,提出一种基于语义相关特征域上下文关系的小样本图像分割方法,该方案基于原型学习思想来设计级联关系原型网络,通过融入支持集图像像素级标注的语义信息,建模支持集图像和查询集图像在特征空间的上下文关系,充分挖掘两者的共现特征,使得模型能够快速地适应新的类别,进而提升小样本图像分割的精度。