基于视觉的自动分拣是处理建筑固废的关键技术,本文研究一种在建筑固废分拣场景下,能够生成紧凑、高边缘贴合超像素块的超像素分割算法。在建筑固废分拣场景下,建筑固废对象常常被粉尘覆盖,场景中的视觉特征退化严重,采集到的可见光图像往往对比度低,且建筑固废边缘不清晰。传统利用可见光颜色的超像素算法往往会失效,从而导致其他基于超像素的计算机视觉方法无法被应用。本文针对视觉退化图像上的超像素分割这一任务,提出了面向视觉退化图像的多模态自适应聚合超像素分割算法(Multimodal Adaptive Clustering Superpixel,MACSP)。并在所提出算法的基础上通过并行计算优化加速,使其在保证精度的同时,能够在多核心CPU上实现实时运算。本文的主要工作如下:(1)深入研究工业场景下的视觉图像退化现象,分析了目前主流超像素算法无法在视觉退化图像中生成高边缘贴合率超像素块的原因。并利用基于超像素的语义分割网络对建筑固废数据集进行分割。从实验结果中说明了由于目前的超像素算法无法在退化环境中生成高质量的超像素块,最终影响了语义分割的精度。从而证实了研究一种能够在视觉退化图像上,生成高质量超像素块的超像素分割算法对于工业应用十分有意义。(2)针对视觉图像退化图像中难以生成高边缘贴合率超像素块的情况,本文提出了多模态自适应聚合超像素分割算法。该超像素分割算法在传统超像素生成算法基础上,额外引入了由深度相机采集的场景深度信息。并结合多模态信息自适应聚合机制,将可见光信息和场景深度信息自适应地融合成能够充分表示退化场景的特征。最后利用改进的K-menas聚类算法生成超像素块。(3)本文利用并行计算对超像素生成算法MACSP进行优化加速,实现了在多核CPU端能够实时运行的超像素生成算法MACSP++。最后通过实验对比目前主流的超像素分割算法。在类似建筑固废分拣等退化场景下,本文提出的MACSP算法在精度上优于现有超像素算法,并且优化后的MACSP++实现了实时运算。