La detección y segmentación de objetos pueden mejorar la precisión del reconocimiento de imágenes, pero los métodos tradicionales solo pueden extraer la información superficial del objetivo, por lo que el rendimiento de los algoritmos está sujeto a muchas limitaciones. Con el desarrollo de la tecnología de redes neuronales, los algoritmos de segmentación semántica basados en aprendizaje profundo pueden obtener la información de categoría de cada píxel. Sin embargo, el algoritmo no puede distinguir efectivamente cada objeto de la misma categoría, por lo que en este documento se propone YOLOMask, un algoritmo de segmentación de instancias basado en una red de fusión complementaria. Los resultados experimentales en los conjuntos de datos públicos COCO2017 muestran que la red de fusión propuesta puede obtener con precisión la información de categoría y ubicación de cada instancia y tiene un buen rendimiento en tiempo real.