数字抠图研究的目标是精确的将图像中的前景从背景中分离开,这项技术在图像处理、视频处理、虚拟现实等领域被广泛采用。前景对象多变的形状、背景区域复杂的纹理、前景/背景之间复杂的边界等因素导致抠图十分复杂。由于抠图问题的欠约束性,需要用户手工绘制以下区域（前景区域、背景区域和未知区域）,来给抠图获取更多的信息。如何在复杂的环境中保证抠图算法的准确性需要进一步研究。本文深入分析了自然图像抠图目前存在的问题,制定了一套一般背景下的图像抠图流程。本文的创新基于以下3个方面。第一,针对trimap下的图像抠图问题,目前许多算法都是从已知区域内采集样本点而忽略了从未知区域中进行挖掘。经过统计,未知区域的像素中至少有50%的像素是绝对像素。针对已知区域内可供采集的样本点数量有限的问题,本文提出一种基于学习的双向动态阈值法,将未知区域中的一些绝对前景点和绝对背景点挖掘出来以解决样本点数量不足的问题。实验结果表明,该预处理算法能很好的对未知区域中的绝对像素进行划分,漏划分率较低。第二,在目前的采样类算法中,在进行样本采集的时候,往往是利用相同的采样方法采集相同数量规模的样本点,忽略了前景与背景之间的差异。本文提出了简单场景与复杂场景的概念,强化了前景与背景的差异性。本文提出一种多重采样的方式,在简单场景中对采集到的样本点采用参数化的描述方式,而在复杂场景中则利用逐点描述方式。实验结果表明利用本文提供的多重采样方法求出的α值要更加精确。第三,在以往的仿射类后处理算法中采用的是基于空间特征和颜色线性模型的Closed Form算法对α进行后处理,这种颜色线性模型容易在颜色复杂的局部失效。根据KNN方法搜索样本范围宽的优势提出了一种基于KNN的后处理算法对初始α进行后处理。实验结果表明该后处理方法不仅增强了α的视觉效果,同时也提高了α的结果,尤其是实体前景和背景像素结果的准确性。