现如今,由于图像及视频分割具有的实用价值和对理论的引导作用,所以它仍然是计算机视觉领域的一个重要研究方向,也是众多基于图像及视频分析的高层视觉应用的基础研究内容,为高层视觉应用的研究提供了有效的低层特征和研究对象。然而,研究员们所追求的是理想的自动分割算法,但目前的算法还不具备比较理想的高效性和自动性,以至于无法普遍满足于各类场景应用的需求。因此,针对高效且自动的分割问题,本文提出了一套解决方案,通过以信息质心为核心理论来指导分割算法对图像及视频进行高效且自动地分割。主要研究内容如下:首先,本文提出了信息质心算法。信息质心理论是一种聚类理论,认为图像内存在一个支点使之平衡,其包含了质心信息量和质心坐标这两个属性。基于信息质心理论,本文通过杠杆平衡原理以及数学推导提出了一种抽象的信息质心算法,并具体应用于后续的图像及视频自动分割算法。其次,基于信息质心,本文研究了图像自动分割算法。基于这样的理念:理想的显著图可以被轻易地分割出我们感兴趣的对象。本文采取了从显著性检测到分割这样一个流程。通过预处理及SLIC超像素分割,我们得到了多个近似均匀的区域,并为每个区域分配一个局部信息质心,而通过聚合所有局部信息质心又能聚合成一个全局信息质心。通过对比这些局部信息质心,我们得到了独立性和分布性显著图,并运用全局信息质心强化了独立性显著图。合并这两种显著图后,我们发现图像具有不平滑性,所以又采取了上采样操作。通过SaliencyCut算法,本文自动提取出了感兴趣的对象。基于信息质心,本文研究了视频自动分割算法。根据之前研究的基于信息质心的显著性检测算法,我们得到了显著图。由于针对的是连续的帧图像,所以可能存在不理想的显著图。因此,本文提出了基于信息质心的显著性缺陷检测算法,通过检测连续帧图像显著图之间的质心欧氏距离的合理性,从而优化出理想的显著图。基于优质的显著图,SaliencyCut算法存在着过分割现象,因此本文对此进行了优化,最终生成了理想的分割视频。最后,本文在每章都设有实验结果与分析。对于图像而言,本文采用了MSRA1K数据集对显著性检测算法进行了可视化和性能分析;对视频而言,本文采用了DAVIS数据集对本文分割算法进行了可视化和性能分析。最后实验结果表明了这两种算法都具有良好的鲁棒性和验证了信息质心算法的有效性。