图像分割就是根据图像特征把图像分成若干个独立的具有区域特质的子区域并提取感兴趣目标的技术,分割结果在医学、交通、农业等领域有着广泛的应用,至今仍然是计算机视觉任务中极具挑战性的任务和研究的热点问题。传统民族纹饰图像具有丰富的文化内涵,采用分割技术将服饰上的纹饰图案快速完整地分割出来对研究和挖掘其文化价值具有重要的学术价值和现实意义。虽然目前已存在众多分割算法,但难以满足对传统民族纹饰图像分割的实际需求。例如现有的交互分割方法需要人工参与,人工标记费时费力且存在较强的主观性,而自动分割算法对传统民族纹饰图像分割时容易受光照不均匀、颜色繁杂、纹理性弱、对比度低等原因的影响造成分割精度较低。本文以传统民族纹饰为研究对象,基于显著性检测技术实现了对传统民族纹饰图像的自动分割,同时根据提出的自动分割算法设计并实现了图像分割系统。本文的研究内容、创新点及研究成果描述如下:（1）提出了一个基于显著性检测和高斯混合模型聚类的图像自动分割方法。针对传统民族纹饰图像色彩复杂、纹理性弱以及现有的图像分割方法需要人工标记的问题,本文基于显著性检测技术获取图像的先验信息,提出了一种无监督聚类的图像自动分割算法。首先,通过显著性检测技术计算图像的显著图,根据显著图获取显著目标的大概范围,避免交互分割需要人工标记种子点的缺陷。其次,使用HSV颜色空间捕捉图像细节以及提取空间相关性信息,增强了分割结果的精确度,保留了分割结果更多的边缘信息和细节信息。然后,采用超像素分割作为预处理,将超像素作为处理单元,提高了算法运行速度。最后,采用无监督聚类模型实现自动分割,实现了图像的快速自动分割。在伯克利基准分割数据集（Berkeley Segmentation Dataset,BSD）、ASD（MSRA1000）数据集和传统民族纹饰数据集（CGO）等3个数据集上进行实验证明该算法的有效性,该算法在ASD、BSD和CGO数据集上的F值分别为83%、95%和88%,均高于同类算法的实验结果,其中在CGO数据集上的F值高于同类算法1 1.3%,表现出了明显的优势。（2）提出了一个基于显著性检测和多特征提取的图像自动分割方法。为了提高种子点的准确性以及改善图像表面光照不均匀导致前景和背景的灰度规则被破坏,保留分割结果完整性的问题,本文通过融合中心-先验和背景-先验显著性检测技术获取图像在不同尺度下的融合显著图,采用多特征提取技术对显著图进行了优化,提高了种子点先验信息的可靠性和健壮性。首先,本文利用中心原理公式和背景先验显著性检测算法计算图像在不同尺度下的显著图并进行融合,并通过多特征距离度量对显著图进行优化,提高了种子点的可信度,其中通过利用定向曲线降低了种子点对光照变化的敏感性。其次,根据显著图中种子点的位置计算其质心并获取种子点的外接矩形,自动确定前景和背景种子点。最后,结合图割理论实现了一个全自动的图像分割算法,保证了分割结果的完整性。实验表明该算法能够获取更准确的先验信息,在CGO数据集上的F值达到91.16%,相对前一个算法提高了 12%,证明了算法的有效性。（3）设计并实现了传统民族纹饰图像分割系统。基于以上两种图像自动分割算法设计并实现了一个功能完善的图像分割系统,同时为了使现有图像分割系统能够满足用户对多种分割模式的需求,系统通过引入现有交互分割算法,开发了交互分割模块,方便用户自主选择分割模式完成图像分割任务。该分割系统包括图像打开、标记、交互分割、自动分割、加载标签、保存标签、保存分割结果等功能,还提供了批量分割功能,能够对数据集进行批量分割处理,节省人力和时间成本。