针对现有的实例分割算法对有遮挡以及模糊实例检测精度低、掩码较粗糙以及泛化能力弱的问题，提出一种基于Fastformer和自监督对比学习的实例分割算法。首先，在特征提取网络之后加入基于加性注意力的Fastformer模块，并对每一层特征图中的像素点之间的相互关系进行深入建模，以提高算法对特征图全局信息的提取能力；其次，受自监督学习启发，加入自监督对比学习模块对图像中的实例进行自监督对比学习，以提高算法对图像的理解能力，从而改善在噪声干扰较多的环境下的分割效果。在Cityscapes和COCO2017数据集上的实验结果表明，相较于近期经典的实例分割算法SOLOv2（Segmenting Objects by LOcations v2），所提算法的平均精度均值（mAP）分别提高了3.1和2.5个百分点，并在实时性和精度之间达到较好的平衡，在比较复杂的场景实例分割中具有较好的鲁棒性。
