基于深度学习的图像分割方法有很多种，其中一些比较常见和经典的方法包括：

  1. FCN (Fully Convolutional Networks)：FCN是图像分割中的一个重要突破，通过使用卷积网络替代传统的全连接层来处理输入图像，同时采用上采样的方式输出像素级的分割结果。

  2. U-Net：U-Net是一种全卷积网络，它采用了特殊的U形网络结构，不仅能够提取图像中的全局特征，还能够保留细节信息，适用于医学图像分割等任务。

  3. DeepLab：DeepLab是一种基于空洞卷积（dilated convolutions）的图像分割方法，通过在卷积层中引入不同的空洞率来扩大感受野，并且在最后使用条件随机场（Conditional Random Fields）来提高分割精度。

  4. Mask R-CNN：Mask R-CNN是基于区域的卷积神经网络（R-CNN）的改进版本，通过在目标检测的基础上增加分割分支，可以同时进行目标检测和分割，得到每个目标的像素级掩码。

  5. PSPNet：PSPNet是一种全卷积神经网络，通过引入“金字塔空间池化”（Pyramid Scene Parsing Network）来充分利用不同尺度的上下文信息，提高了图像分割的精度。

  需要注意的是，以上只是深度学习图像分割方法的一小部分，随着研究的不断发展，还有许多新的方法被提出。另外，每种方法都有其适用的场景和优缺点，选择适合特定任务和数据集的方法是非常重要的。