图像分割是计算机视觉（Computer Vision,CV）领域兼具挑战性和实际应用价值的任务之一,其按照一定的相似性准则,将图像分成若干具有相似性质的区域并提取出目标物体,是图像处理到图像分析的关键步骤,被广泛应用于航空航天、生物医学工程、智能安防、智能医疗、自动驾驶等领域。从上个世纪八九十年代开始,图像分割一直是国内外学者研究的热门方向之一,并取得了众多十分有意义的研究成果。研究表明,构建有效的图像中长远距离依赖关系将有利于提高图像分割的准确性,因此,本文主要针对基于传统机器学习中图构建方法和基于深度学习的语义分割网络在获取图像长远距离依赖方面做出如下工作:1、在基于传统机器学习的图像分割方面,传统的图构建方法通常采用像素作为计算节点并仅仅利用低级视觉特征之间的相似性来构建节点间的关联关系。由于传统图像分割的应用场景一般是无监督图像分割或者交互式图像分割,因此在图构建方法中很难融入代表物体类别的高级语义信息。高级语义信息作为一类重要的判别信息,能够有效地以自顶向下的方式指导节点进行物体类别判定。为此,本文提出的自适应非局部相似性引导的多层图构建方法能将超像素节点与物体类别的对应关系这一高级语义信息融入到图的构建中来,用以提升图像分割算法的性能。具体来说,为了获取上述高级语义信息,本文首先根据自然图像之间的非局部相似规律,统计与非局部相似图像片重叠的超像素间的类别对应关系,得到相应的高级语义信息。对于任一幅测试图像,通过上述先验信息的统计结果可以获得更多同类别的中长远距离的超像素与物体类别的对应关系。最后本文在在无监督图像分割和交互式图像分割这两种应用场景下分别验证了该方法的优越性。2、在基于深度学习的图像语义分割方面,本文提出了一种基于跨尺度非局部注意力机制的解码器模块。在基于编码器-解码器架构的语义分割网络中,解码器负责将低分辨率的编码器特征图映射为高分辨率的语义丰富的特征图,以进行逐像素分类,因此有效设计的解码器直接决定了网络的整体性能。本文所设计的解码器在融合编码器中较低级特征的同时,能够捕获它们之间物体的长远距离依赖信息,获得了语义信息更加丰富的特征图,提高了网络对图像的理解能力,因此得到了更加准确的分割结果。在此基础上,本文设计了基于跨尺度非局部注意力机制的图像语义分割网络,通过实验证明该解码器模块的有效性。