图像、视频的目标提取技术在素材编辑任务扮演着重要的角色。用户通过目标提取算法从素材中获得需要的对象,并应用相关的后期处理技术,实现素材的重复利用。然而,当处理具有复杂场景的图像时,图像中可能包含颜色相近似的前/背景区域、前/背景区域内部均包含强图像边缘、物体边界模糊、光照变化和阴影等现象,现有的交互式图像目标提取方法则需要用户提供大量人工干预才能获得高精度的分割结果,导致时间效率低下。本文对现有的图像目标提取方法进行了较为深入的分析和介绍,对其中所存在难点和问题进行了探讨。针对基于图割算法的交互式图像目标提取方法效率较低且在复杂自然场景下精度不高的问题,本文提出了一种基于双边空间和置信颜色模型的快速图像鲁棒分割方法。首先使用分辨率明显低于输入图像的双边网格重采样输入图像,极大地减少待处理的图像数据量;其次基于双边网格顶点构建图并定义图切割能量项,根据高斯分布规律定义未知颜色和二义颜色的辨别准则,以构建鲁棒的颜色模型;最后采用标准的最大流/最小割算法进行全局优化求解,实现高质量的图像前景提取。实验结果表明,该方法不仅能够在1s内提取出高分辨率图像满足实时性要求的、有意义目标物体,而且还实现了复杂场景下的图像鲁棒分割。针对现有单幅图像训练深度神经网络的图像目标提取算法由于分开训练视觉特征与空间特征,容易落入局部最小值导致提取精度较低的问题,本文提出了一种联合学习视觉和空间特征的图像目标提取方法。首先将用户交互笔画转换为距离图,再与输入图像的RGB通道组合得到“多通道图像”,有效地结合了图像的视觉特征和空间特征;其次在联合了视觉特征与空间特征的多通道图像中采集多通道图像子块作为深度神经网络的训练样本,并对深度神经网络的参数进行训练;然后将学习到的网络模型作为分类器,端到端地估计图像中各个像素属于每类用户交互的概率值;最后通过CRFs算法获得高质量的目标提取结果。与现有基于深度神经网络的方法对比,本文方法可以更鲁棒地提取图像中的多个目标,提取精度较高。