遮挡边界检测问题是计算机视觉领域中亟待解决的主要问题,因其存在的普遍性逐渐成为众多科学家研究的热点。随着深度图像在视觉领域的应用越来越广,深度图像中的遮挡问题吸引了众多学者的关注。本文根据对遮挡现象的分析以及其存在于深度图像中的特点,结合目前较为流行的机器学习算法将遮挡边界检测问题视作对深度图像中全部像素点的分类问题。具体研究内容如下。首先,根据深度图像的相关知识阐述遮挡产生的原因以及遮挡边界的定义,并简单介绍本文方法所涉及的相关机器学习理论知识。其次,提出一种利用谱聚类实现深度图像遮挡边界检测的方法。首先定义了一种新的遮挡相关特征──有效标准差特征;然后基于遮挡相关特征利用均卡方集距抽取部分像素点并构建相似矩阵;最后基于相似矩阵利用Nystrom逼近方法近似估算全部像素点的拉普拉斯矩阵及逼近特征向量,并对得到的逼近特征向量进行聚类分析得到遮挡边界点和非遮挡边界点两类。再次,提出一种利用主成分分析实现深度图像遮挡边界检测的方法。首先利用拉普拉斯算子提取深度图像中视觉目标的边界点;其次利用标准欧式距离与余弦相似度分别计算边界点间的相似性并进行归一化融合;然后对相似矩阵进行线性降维得到低维特征空间中的新遮挡相关特征;最后利用无监督思想对新遮挡相关特征联合已有特征的特征矩阵进行聚类,得到深度图像中视觉目标的遮挡边界。最后,本文所提方法通过实验对其有效性和可行性进行了验证,并与已有方法对比分析实验结果。