伪装目标分割（COS）的目标是从背景中分离出隐藏的目标对象。近年来，基于卷积神经网络（CNN）的伪装目标检测（COD）发展迅速，然而仍存在无法从前/背景高度相似的场景中准确地检测出完整目标对象的问题。针对上述问题，提出一种基于通道注意力（CA）和边缘融合的COS方法CANet （Network based on Channel Attention and edge fusion），以得到伪装目标的边缘细节更清晰的完整分割结果。首先，引入压缩和激励（SE）注意力模块，以提取更丰富的高级语义特征；其次，提出一个边缘融合模块，抑制低级特征中的干扰，并充分利用图像的边缘细节信息；最后，设计了基于深度可分离卷积的通道注意力模块，以自上而下的方式逐步融合跨级的多尺度特征，进一步地提升检测精度和效率。在多个公开的COD数据集上的实验结果表明，相较于SINet （Search Identification Net）、TINet （Texture-aware Interactive guidance Network）和C2FNet （Context-aware Cross-level Fusion Network）等8种主流的方法，CANet表现更佳，且能够获取到丰富的伪装目标内部及边缘细节信息，而且在具有挑战性的COD10K数据集上结构度量指标相较于SINet提升了2.6个百分点。CANet性能优越，适用于医学上检测与人体组织相似的病灶区域、军事领域检测隐蔽目标等相关领域。
