现如今,随着计算机硬件质量和产量的提升以及计算需求的日益增长,彩色图像分割比灰度图像分割有了更高的价值。彩色图像分割技术已经应用到了各个领域,种种新奇的算法被不断地提出,然而以k最近邻分类模型为基础的彩色图像分割算法有着时间复杂度高、空间复杂度高、对样本不均衡非常敏感、分割效果差、距离计算方式平庸、无法分割复杂背景等诸多问题。针对这些难点,本文提出了一种称为CSDT的基于依赖树CLT、基础决策树CART和贝叶斯推理的彩色图像粗分割算法和一种称为INARF的基于邻域近似随机森林的彩色图像精细分割算法,并阐述了二者的结合方式。首先将图像从RGB转换到HSI颜色空间,仅提取H分量使用,然后把H分量图像切分成较大的重叠块像素,提取Haar特征和LBP特征,通过粗分割算法得到粗分割轮廓,利用重叠率和精细度来显示效果;再将H分量图像用中值滤波去噪,切分成较小的重叠块像素,按Ground Truth图像分布情况分层抽样这些块像素构成训练数据,提取内部颜色特征和外部邻域特征,计算语义距离,结合粗分割数据,应用精细分割算法和k最近邻分类模型得到最终的分割结果。在卡耐基梅隆-康奈尔大学的icoseg彩色图像分割公开数据集上对本文算法进行了验证,大部分测试数据的Io U达到90%以上,平均Io U达到81.6%。实验结果表明,CSDT-INARF相比于传统阈值分割的Otsu算法、基于KD树的KNN算法、基于KD树的ANN算法,有着更加良好的分割精度。