随着互联网技术的不断发展，能够获取和利用的图像信息越来越丰富。如何从大量的图像信息中获取自己需要的部分，是当前研究较为活跃的领域之一。物体的形状特征在人的视觉系统中起着至关重要的作用，能够把一个物体同周围其他物体区分开来。基于形状的分析与表示，在目标识别、计算机图形学、多媒体检索、医学图像分析等众多研究领域中都有广泛的应用。形状表达是基于形状的相关应用中的第一步，也是非常关键的一步。而现实世界中物体姿态千变万化，也由于噪声、分割错误等干扰给形状表达带来巨大的挑战。如何在各种变化和噪声干扰下，提取出物体形状中较具代表性的特征，是本文的研究目标。本文围绕形状表达这一核心进行展开，研究了视觉显著性特征约束下的形状骨架特征提取以及形状分解。具体工作如下：(1)分析了离散曲线演化模型下的骨架剪枝算法的不足之处，提出结合离散曲线演化以及弯曲度比率两种形状视觉显著性特征约束下的骨架生长算法。该算法的新颖之处为：1)将剪枝工作融入骨架提取过程中，直接获取鲁棒的骨架特征。2)通过在骨架生长过程中，对于关键骨架点引入弯曲度比率的约束，在不显著增加算法复杂度的基础上，有效抑制了冗余骨架枝的产生。实验结果表明，在物体自身形变和轮廓噪声等干扰下，本文提出的算法仍能有效的抑制冗余骨架枝的产生，获得的骨架能够较好的表示图形中的视觉显著部分。(2)综合了物体的结构和边界特征，如形状骨架特征和积分不变量，提出了符合人类视觉感知的平面形状分解方法。该算法的新颖之处为：1)分析了积分不变量相对于曲率这种微分不变量的优势，利用骨架节点信息和“最小曲率准则”预测候选分割端点对。2)通过利用骨架枝端点对原物体轮廓进行标记，有效防止物体中多个重要部分被划分为一体。3)引入符合视觉特性的弯曲度比率作为约束，获得可控的分解结果，以满足不同尺度细节的要求。实验表明，该形状分解方法对于物体形变和噪声均具有一定的鲁棒性，分解结果也较为符合人类视觉感知。