图像作为重要的信息载体,无论在日常生活应用中,还是科学研究应用中,都起着重要的作用。图像分割是人工智能领域中一个重要的分支,是机器视觉技术中图像理解任务的一个重要环节。语义分割本质上还是一个图像分割问题,旨在将图像中的每个像素按照人为规定的语义类别分为不同的区域,从而划分出人们感兴趣的区域。语义分割任务作为一个底层视觉任务,已经在场景理解、自动驾驶、计算机辅助诊断、图像编辑等领域被广泛应用。目前随着深度学习的发展,基于卷积神经网络的语义分割算法成为热门的研究方向。卷积神经网络的结构特点,导致其获取长距离依赖信息不足,影响分割质量。而计算非局部节点的关系,能获得更多长距离依赖信息,显著提高分割效果,因此本文分别在神经网络中间层的高维特征和最终分割结果上建立节点间非局关系,并应用到实际的人像皮肤区域检测任务上,主要创新性研究结果如下:（1）提出了基于高维特征中的非局部关系模型的语义分割算法。该算法首先利用高维特征的双重距离信息高效建模特征图中的非局部关系,其次提出了一个空间注意力模块,增强物体级的特征一致性,同时提出了辅助损失函数,增强语义级的特征一致性。通过两个层次的一致性增强,保证高维特征的连续性,进而提高了分割结果的连续性,在各数据集上超越其他关系模型的同时,显著降低计算量。（2）提出了基于分割结果中非局部关系的语义分割后处理优化算法。首先在分割结果上建立了适合神经网络计算的有向图模型表示非局部关系,同时在该模型上建立了高效的消息传递机制优化分割结果。将该图模型的求解过程设计成为通用的语义分割后处理模块,可插入到现有的语义分割模型中进行端到端地预测,提升低置信度区域的分割效果,同时提出了针对所提出后处理模块的快速训练策略。（3）针对人像肤色分级及美化任务,利用提出的语义分割算法进行皮肤区域检测。首先利用现有数据集及算法训练模型,发现当前存在的问题。联合下游应用制定对当前模型及数据的优化方案,改进前文提出的语义分割模型,并提出多重监督与多数据联合训练策略,得到区域准确、边缘贴合的皮肤区域,为人像肤色矫正及分级任务提供支撑。