UNet凭借其编码器⁃解码器结构及跳跃连接机制，被广泛应用于图像分割任务。然而，传统的下采样操作（如最大池化或平均池化）在特征压缩过程中易导致空间细节信息丢失，而上采样阶段的简单重建方式亦难以充分建模全局上下文语义，限制了网络的表达能力和分割精度。为此，提出了一种改进的UNet架构，分别在下采样与上采样阶段引入交互式池化模块（IPM）和全局⁃局部特征交互模块（GLFIM），以增强特征建模能力。结果表明，在编码器部分，IPM同时融合最大池化与平均池化分支，通过通道交互与特征融合，有效提升了特征表示能力并保留了更多结构与统计信息；在解码器部分，提出的局部特征模块通过残差卷积提取细节信息，而全局模块则结合基于自适应池化的注意力机制与多层感知机（MLP）网络，以建模长距离依赖与全局语义上下文；在多个图像分割基准数据集上，本文所提模型在保留关键细节、增强全局语义理解方面具有显著优势，相较于标准UNet模型取得了更优的分割性能；在WHU数据集上，交并比和F1分数分别达到了90.73%和95.14%。
