随着图像、视频等多媒体技术的发展,如何对快速增长的图像和视频数据进行高效处理逐渐成为热点和难点问题,而图像分割正是解决这些问题的关键技术和必要的前提。由于实际图像的复杂和多样,使得分割算法的设计具有极大挑战性。其中,目标的表示和分割模型设计是两个关键问题,本文主要针对这两点展开深入的研究。首先,在分割算法中高效地嵌入图像多特征和上下文信息是提高算法鲁棒性的重要途径。为了设计高效的分割算法,我们结合图结构在对数据关联性进行建模方面的优势提出了多种模型。以图结构为基础,本文提出了面向交互式分割的多特征条件随机场图模型、与半监督学习相结合的单目标分割模型、结合自适应分簇和利用区域聚合分簇的多目标分割模型等。其次,对分割目标进行定位是减小图像复杂性和模糊性对分割精度的影响和提高目标表示准确性的有效手段。自动分割算法中需要对目标进行自主定位和信息挖掘,目标检测是可实现自动信息获取的关键技术。因此针对于自动图像分割而设计高效的目标检测模型是本文的另一个重点研究方向。总地来说本论文研究了与交互式分割相关的模型、目标检测相关模型和以目标检测为初始化的分割模型,本文的主要创新点如下:在交互式图像分割算法的研究中,为了充分利用种子点中所含的图像特征和上下文信息,论文提出了一种基于分块训练地随机场模型参数学习算法,该算法具有训练速度快、所需样本少以及泛化能力强等优点。为了进一步提高了分割的精度和交互的效率,本文研究了基于主动学习模型的迭代式分割框架。此外针对于交互式分割方法在在医学体数据上的应用,本文提出了一种局部分簇算法用于初始目标定位,充分利用体数据的时空约束进行信息传递,从而将二维交互式分割算法扩展到三维体数据分析中。在基于分簇的图像分割的研究中,论文提出了一种利用先验自适应分簇的分割模型,相比于传统的分割模型该方法该分簇算法更适用于目标检测等任务,提出的算法不仅可保留与所检测目标相关的信息同时也提高了分割的计算效率,此外通过直方图分析来自动决定分簇个数,也解决传统模型中需要手动设置分簇数量参数的问题。在研究中我们发现,通过显著性信息对目标进行定位是提高分割算法效率的重要手段,因此本文针对于显著性目标检测和分割也展开研究,并提出了三种显著性目标检测与分割的框架。首先,为了在统一的图结构框架下解决目标检测与分割问题,本文提出了基于多层图结构与非参数学习模型的检测和分割模型,通过构建多层图结构对图像中高阶上下文信息进行建模和在检测能量函数中加入高阶标号一致性约束能量函数项,所提出的方法在如复杂背景、低对比度或纹理图像等条件下能取得较现有算法更高的检测和分割的精度。此外在自适应分割算法的基础上提出了三种区域显著性计算指标,并与贝叶斯框架相结合进行显著性目标检测,所提出的算法能够更有效和快速地突出显著性目标或抑制杂乱的背景。在目标检测地基础上提出基于合作分类自动种子点生成和随机场模型的目标分割算法,该算法中自动种子点生成提高了显著性提取初始目标的精度,同时基于多特征融合的随机场分割模型提高了目标分割的精度。最后为了在多目标分割算法中进行多目标区域定位,本文还提出一种基于先验信息扩散的显著性检测模型。显著性信息不仅可用于单目标定位,研究过程中也发现显著性图中蕴含着丰富的多尺度、多层次图像结构信息。从利用显著性图中层次结构信息进行目标分割的角度出发,本文提出基于图扩散的生成式多标号图像分割模型,与传统的算法中显著性模型多用于单目标检测与分割的思路不同,算法将显著性模型的功能从单目标区域定位扩展到多目标区域定位,并用于多目标分割。此外提出了基于多层图结构和显著性区域聚合分簇的分割算法,通过构建二向图以对区域和像素点之间关系进行编码,以达到融合多层次图像信息的目的。