چکیده: چکیده امروزه یادگیری عمیق در حوزه‌های گوناگون مانند پردازش تصویر، پردازش صوت و پردازش زبان طبیعی موفقیت‌های بسیاری را کسب نموده است. به طور ویژه در حوزه تشخیص و شناسایی اشیاء موجود در تصویر دستاوردهای زیادی با استفاده از شبکه‌ی همگشتی به دست آمده است. در این پایان‌نامه، ما شبکه‌ای برای قطعه‌بندی اشیاء موجود در تصاویر، بر پایه Mask R-CNN ارائه می‌کنیم. در شبکه پیشنهادی، ابتدا نقشه ویژگی تصویر ورودی توسط یک شبکه عصبی عمیق استخراج شده، سپس نواحی مهم در تصویر توسط یک شبکه پیشنهاد نواحی تعیین می‌شوند. با توجه به خروجی شبکه پیشنهاد ناحیه، نواحی صحیح توسط یک فرآیند اصلاح شده و اشیاء موجود در تصویر شناسایی می‌شوند. سپس با استفاده از یک شبکه تولید کننده ماسک، پیکسل‌های مربوط به شیء جداسازی شده و برچسب‌زنی خواهند شد. روش پیشنهادی را در حالت کلی می‌توان به ۴ بخش مختلف تفکیک کرد. بخش‌های مختلف شبکه پیشنهادی قابل آموزش بوده و در یک فرآیند سراسری با استفاده از داده‌های مجزا، آموزش دیده و تست می‌شوند. دقت شبکه پیشنهادی در بخش تشخیص اشیاء حدود 42.9 درصد می‌باشد. با توجه به نتایج خروجی شبکه، شبکه پیشنهادی از دقت بیشتری نسبت به شبکه Mask R-CNN در بخش تشخیص اشیاء و کادر محصور برخوردار بوده و موقعیت اشیاء موجود در تصویر با دقت بیشتری تخمین زده می‌شوند