图像抠图（Image Matting）是一种精确提取目标的技术,是加深图像理解的重要方式,也是图像合成技术的重要组成。目前抠图技术已广泛应用于计算机视觉的各个领域,并且有较多的现实应用场景,如影视制作、云会议更换背景、弹幕人像屏蔽等。但是由于图像组成的复杂性和人们提取前景时的主观性,导致在提取前景目标时难度较高,因此在抠图技术中引入辅助图来提供先验信息。常用的辅助图有粗略分割图、背景图和三分图等,其中三分图是最常用的辅助图。通过使用提供先验信息来降低抠图任务难度的方式已经被业界广泛使用,但是制作辅助图的过程极为繁琐,这违背了人们希望使用机器学习的方法来提高抠图效率的初衷。为了提高抠图的效率并且完成端到端的抠图,本文提出了两种无需辅助图的端化抠图算法,分别是基于交互式分割的抠图算法和基于位置注意力的抠图网络。在基于交互式分割的抠图算法中,将抠图任务分解为两个串联的子任务,分别为针对于前景目标的分割任务和针对于边缘的抠图任务。为了进一步提高效率,首先,将图像预分割为具有局部相似性的超像素区域,使用区域内部的像素颜色均值来该超像素区域;其次,根据人工标记的先验信息,建立F-B图结构,扩展随机游走的范围,并使用随机游走的方法求解,获得分割结果;最后,针对分割结果的边界进行抠图,提出改进的抠图算法,对其进行二次处理,得到抠图结果。在BSD500和MSRC数据集上的实验证实,所提出的分割方法与其他算法在时间和平均交并比等指标上对比有较大优势;在Alpha Matting数据集上的实验充分证实所提出的算法在提高效率的同时精度也有一定提升。此外,在生活照更换背景的实验上也展现了所提出算法的应用价值。在基于位置注意力的抠图网络中,使用Mobile Net V2作为骨干网提取特征。使用底层的高分辨率特征代表图像中前景目标的细节特征,使用高层的低分辨率特征学习图像中前景目标的主体。为了更好的融合骨干网不同层级之间的特征,引入多尺度模块（Mutilscale Module,MSM）学习不同感受野下的特征。引入全局解码器模块（Gobal Decoder,GD）生成全局图,使用Ground Truth的下采样图对全局图进行监督训练,并且作为位置注意力消除低级特征中冗余的背景信息。在融合模块中将两个子任务进行融合,输出最终结果。另外,由于抠图任务的公开数据量较少,本文搭建了一个含有19964张高分辨率图片的人像抠图数据集。本文算法在测试集上的结果表明,在绝对值误差、均方差误差、连接性损失以及梯度损失的指标上都优于其他方法。另外,通过消融实验的结果可以验证本文所使用模块的有效性。综上所述,本文基于目标分解的思想将抠图任务进行分解,以此来避免使用辅助图,可以提高抠图效率。分别提出了基于交互式分割的抠图算法和基于目标分解的抠图网络,通过大量的实验表明,本文所提出的算法无论在效率还是在指标上都优于现有广泛使用的抠图算法。