图像分割是进行图像处理和分析的基础,目前关于图像分割的算法种类繁多,近年来,基于图割理论的图像分割算法成为一大研究热点。同时随着网络的快速发展以及网上购物的不断盛行,网络大规模图像检索系统逐渐被广泛研究。作为图像检索系统中最基础的操作——图像分割,图像分割效果在很大程度上影响图像检索效果,因而十分重要。网上购买服装在网络购物中占有很大的比重,本文主要研究基于图割理论的服装前景提取算法,具体工作如下：本文首先研究了基于图割理论进行图像分割的理论基础和实现框架,并实现了经典算法Graph Cuts算法和GrabCut算法：Graph Cuts算法最关键的步骤是用户需要通过画笔对图像前景和背景进行简单地勾画,然后算法根据用户提供的前／背景像素点建立前／背景概率模型进行图像分割,该算法奠定了基于图割理论的图像分割方法的理论基础。GrabCut算法利用混合高斯模型代替Graph Cuts算法中的灰度直方图来表述颜色分布,同时减少人机交互工作量,即用户仅需标注初始“硬分割框”。GrabCut算法分割效果良好,但因其分割每一幅图像时都需要进行人工标注,不适合批量图像处理,不能应用于服装图像检索系统。为实现服装图像批量处理,针对GrabCut算法上述缺点,本文对其进行改进,分别使用两种方法代替GrabCut算法中的用户标注工作：固定比例和位置地生成初始矩形框和通过区域生长算法生成初始矩形框。通过代替用户标注,实现全自动化的服装图像分割。相比现有的很多服装前景提取算法,本文算法不需要任何预定义模型,不需要人工标注,在减少工作复杂度的同时,扩大了适用面。本文通过实验对这三种算法进行了分析和比较,结果表明,本文算法在减少工作量的同时较好地实现了服装前景提取,达到了预期效果。