图像分割是指根据某种相似性度量准则,将图像分成若干个互不相交的区域,使得同一区域内的像素具有较相似的特征,而属于不同区域的像素之间相似性较低。图像分割产生的是图像紧凑、抽象又有意义的表示形式,如物体的边缘和轮廓、形状信息、区域和超像素等；这些表示形式直接影响着后续高层视觉任务中的目标识别和场景理解。随着人们获取图像的途径越来越方便和快捷,更多的图像分割算法被应用于互联网、移动设备的图像处理任务中,如图像分类、标记、检索以及缩略图的生成等,这就要求图像分割算法快速、准确、具有自动处理和实时处理等优点。目前虽然有很多图像分割方法提出,但仍存在通用性差、依赖用户交互、分割结果与人类视觉感知不符等问题。针对这些不足,本文对基于视觉显著性的图像自动分割方法中的若干关键问题展开深入研究,有效解决了活动轮廓模型初始曲线的自动提取、基于显著性的活动轮廓模型构建及水平集求解、SVM分类器用于图像分割时训练样本的自动选择、图像的自动分割等问题。本文主要研究工作包括：(1)针对传统活动轮廓模型对初始曲线敏感的问题,基于视觉认知原理中的显著性检测机制,提出一种自适应的初始曲线提取方法。通过显著图预测目标物体的潜在位置,结合形态学运算进一步精确预测结果,获得目标物体的轮廓信息。实验结果表明,该方法具有主动性和自适应性,可以准确获取图像中目标物体的先验形状信息,为活动轮廓模型的初始曲线设置提供了一种新的思路。(2)显著信息是一种重要的图像特征,本文将基于显著性计算获得的目标物体先验形状信息显式地嵌入到几何活动轮廓模型中,提出了一种具有自适应初始轮廓的CV模型,并在此基础上实现了一种基于区域显著性的活动轮廓模型。在模型求解过程中,通过目标物体的先验形状信息来构造水平集函数,使得初始曲线最大程度地逼近目标边界,大大减少了曲线收敛到目标边界的迭代次数。在合成图像、自然图像以及医学图像上的实验结果表明,该方法可以实现对图像的自适应分割和自动分割,并且有效降低了初始曲线对活动轮廓分割性能的影响。(3)基于统计学习理论的SVM分类器由于其优越的分类性能也被广泛应用于图像分割问题中,但SVM本质上是一种有监督的学习算法,无法自动获取训练样本。本文提出一种基于显著性的SVM图像分割方法,实现了SVM训练样本的自动选择和图像的自动分割。在显著图基础上形成的“三元图”提供了图像中前景和背景的空间信息,再结合直方图分析得到的颜色分布特征,可以自动生成图像前景和背景的训练像素集,并从中选择符合局部同质特性的像素作为SVM分类器的训练样本,使得SVM图像分割完全由图像自身的视觉特征驱动。实验结果表明,该方法的分割性能要明显优于其它基于SVM的图像分割方法和自动分割方法,训练样本的自动选择也保证了分割算法的稳定性。(4)为了进一步提升SVM图像分割性能,提出一种基于显著性和超像素的SVM图像分割方法。用超像素代替像素作为处理单元,再结合视觉显著性检测得到的图像全局显著信息,自动生成图像中的前景超像素子集和背景超像素子集,从这两个子集中选择一部分超像素并进行特征向量提取,用于sVM分类器的训练。与像素相比,超像素的视觉粒度更符合人类视觉系统在处理视觉信息时的一般过程。实验结果表明,将具有相似特征的像素所构成的超像素作为sVM分类器的处理单元,一方面利用了图像的局部特征分布,另一方面降低了数据量,提高了处理效率。(5)设计并实现了一个集成的图像分割系统,为相关领域研究人员提供一个集图像获取、图像预处理、图像分割、分割算法评价、比较和分析等功能的集成实验平台,具有良好的实用性、交互性和可扩展性。图像分割方法的研究涉及计算机视觉、图像处理、模式识别和机器学习等众多领域,图像分割问题的深入研究和有效解决,可以极大地推动并促进这些学科的发展和成熟,并为解决其它复杂模式识别问题的研究提供重要启示。