物体分割是许多计算机视觉和图像处理问题的重要处理步骤，应用在物体识别、场景理解、图像编辑等相关任务中。因此，物体分割具有重要的研究价值和意义。物体类别的类内多样性，同一物体实例的表观非均一性和物体间相似表观带来的易混淆性等问题，给物体分割任务带来了很大的困难和挑战。为了解决这些问题，本文从两个方面开展物体分割方法的研究。第一，如何对物体建模;第二，如何高效求解。针对物体的建模，其核心是如何选择有效的训练数据和如何进行模型学习。选择有效的数据进行标注可以减少人工标注的工作量和费用，使大规模数据的标注和训练成为可能;模型的学习旨在揭示同一类别物体的共性特征和不同实例的个性特征，以达到更精确的分割结果。针对物体分割问题的求解，本文研究如何有效缩小求解空间的问题，从而提高搜索效率和精度。　　本文围绕两个基本问题，在物体分割研究中的主要贡献如下:　　1.提出最大化期望信度变化的区域推荐方法，在交互式分割中引导用户优先标注最富含信息量的区域。优先标注哪些区域的问题本质上是选择哪些数据进行前背景模型学习的问题。本方法的基本思想是期望选择对分割信度影响最大的区域进行标注，从而优先将这些区域用以前背景模型的学习，以较少的标注代价，尽快达到满意的分割结果。给定一幅图像，首先对其进行过分割;然后根据用户标定的前背景种子区域，对图像进行初始的物体分割;如果用户对结果不满意，则启动基于主动学习方法的迭代过程:1）根据最大化期望信度变化准则选择标注区域;2)向用户询问步骤1）选出区域的标号，并更新标号记录;3）根据新的标号更新颜色模型，执行带约束的随机游走分割算法，获得分割结果和信度。实验结果表明，与传统的交互式物体分割方法相比，该方法能够在保证同样分割精度的条件下，大幅降低用户交互量。　　2.提出基于稀疏形状学习的物体分割方法，基于训练图像集合及分割结果，学习自适应于当前实例的形状模型，引导物体分割。该方法的基本思想是，具有相似前景概率图的样本，应该以较高的概率具有相似的分割结果，因此可以根据当前实例与训练图像的概率图之间的关系，推断对应的分割结果之间的关系。对于一幅输入图像，首先根据表观模型计算颜色和纹理的似然概率图;然后，基于这些概率图，采用稀疏线性回归的方法从训练图像中选择少量样本，将其二值分割图的线性组合作为形状模型。最后将模型产生的形状约束嵌入到到能量函数中，并通过优化目标函数得到分割结果。为了得到更精确的分割结果，采用迭代的策略，使得形状模型和分割结果步步趋优。实验结果验证了形状模型对分割性能的积极作用。　　3.提出一种渐进精细的物体分割方法。首先基于视觉启发约束，自动提取包含物体区域的闭合轮廓，作为物体分割的粗略候选范围，并由此排除大部分与物体区域难于分离的背景区域;然后，利用特定于当前图像的类别信息，使用GraphCuts算法在候选区域内进行更加精细的分割。特别地，该方法采用了判别式方法——支持向量机学习物体和背景的颜色模型，对前景物体和背景的判别力更强。整体上，该方法的优势在于渐进精细的策略，一方面利用视觉启发约束有效缩小了搜索空间，提高了求解效率;另一方面采用判别式模型和Graph Cuts方法，提高了分割精度。公共数据库上的对比实验表明，渐进精细的方法取得了与当前领先的方法相当的性能。