作为许多图像分析与识别任务的首要步骤，图像分割是一个十分基础但很重要的部分，极大地影响了最终分析结果的好坏。传统的图像分割方法大多是基于像素级的，即描述每个像素的颜色、纹理、梯度统计等信息，这些局部特征缺乏对周围信息的协同统计，往往使得分割结果过于碎片化。而超像素作为近年来应用比较广泛的图像分析方法，能够较好地描述区域信息，并对图像分割中出现的噪声、遮挡和阴影等现象具有较好的鲁棒性。本论文学习和总结了几种当前流行的超像素计算方法；然后，研究了超像素的内容表达和相似性度量；在此基础上应用渐进合并算法和近邻传播聚类算法对过分割后的图像进行了合并和聚类，最终将主要目标从背景中分割出来。特别是本文提出的超像素渐进合并算法应用了图论的基本框架：一幅图像被映射成一个加权的无向图，其中超像素被当作图中的顶点，而相邻超像素之间通过边相连，由超像素间的相似度计算出相应边的权值，通过排序每次合并权值最小的两个超像素。通过几组实验比较分析，本文的超像素渐进合并方法均取得了较好的分割结果，尤其是在区域分割数目极少的情况下，本方法表现出了较好的竞争力，为进一步的图像语义理解和目标识别奠定了良好的基础。