交互式图像分割是指在用户提供的先验知识下,按照一定的相似性准则将图像划分为若干内部一致性强而彼此特征各异的同质连通区域,并对用户感兴趣的一个或多个目标语义区域以及轮廓进行描述,最后将它们从复杂的背景环境中分离出来。大多数一般是基于局部的像素关系来构建分割模型,无法捕获图像长距离信息,难以获得完整的目标轮廓,易出现欠分割的现象;基于局部相似性关系图的标签先验（种子点）信息传递策略虽能有效传递类内的相似性关系,却也难以有效保存类间的差异性,难以保证标签信息的准确传递;此外,现有分割方法对用户的交互信息也十分敏感,通常表现为用户提供的交互越多,分割效果则越优。而用户提供的种子点位置需保证完全正确,一旦出现错误标记情况（比如将背景像素标记为前景种子点）算法将无法获取正确的分割结果。为了获得令人满意的结果,用户就需要另外做出更多的交互努力。针对上述问题,本文通过深入研究图论的交互式图像分割方法,对标签传递和容错模型的构建等方面进行了深入探索,提出了一种基于标签对传递的交互式图像分割算法和一种错误标记容忍的交互式图像分割算法,并通过大量的对比实验证明了本文所提出模型的有效性。本文所做的主要工作为:（1）提出了一种用于交互式图像分割任务的标签对传递算法。与标签传递相比,本方法可利用高阶信息在张量积图上更精确的捕获未标记数据和已标记数据之间的关系,并探索图像元素之间更复杂的相互作用以及图像元素对与标签对之间更精细的关系。在基于标签对传递的图像分割算法中,首先建立一个先验标签估计框架来计算出标签对的先验概率;然后利用基于张量积图的概率学习过程,以平滑先验标签;为了保持该算法的计算效率,将基于张量积图的概率学习过程等效于在原始图上的迭代标签对传递过程;最后,基于总概率定理将二元的超像素对概率转换为一元的超像素概率。最后通过实验定性和定量的分析证明了本文所提出的方法的在性能上要优于最新的交互式图像分割方法。（2）构建了一个标签容错的交互式图像分割模型,用以消除错误的用户标记所给分割结果带来的负面影响。为了在错误的用户标记的情况下准确地估计标签先验概率,通过给错误的聚类分配较小的权重、给具有更高匹配度的正确的聚类分配较大的权重来构造可靠性学习模型。最后对所有聚类进行加权平均来得到准确的标签先验概率。用户的交互无论是作为硬约束还是标签先验估计,本文所提出的容错模型都能够对其具有容错性。最后通过大量的对比实验证实了当出现错误标记时本方法具有更高的准确性和高效性。