图像分割是一种基础的视觉图像处理问题,其目的是把人们感兴趣的区域从图像中分割出来。图像分割在图像处理各个领域都得到了广泛的应用。随着各个学科理论的不断发展,与特定理论相结合的图像分割方法不断被提出。其中,基于二部图的图像分割算法(Segmentation by Aggregating Superpixels, SAS)能够同时考虑到两个超像素块之间、像素与超像素块之间的空间组织关系,对图像分割具有较好的鲁棒性。高效、准确的图像分割方法一直是计算机视觉的研究难点之一。随着稀疏表征(Sparse Representation, SR)理论的发展,基于稀疏表征的二部图图像分割方法(l0-Segmentation by Aggregating Superpixels,l0-SAS)被提出。在二部图的构造过程中,引入e0稀疏表征的思想,能够保证一定的全局特性和语义分割结果。但是e0-SAS算法将任意超像素块xi与重构它贡献最大的超像素块之间建立联系,忽略了相邻超像素块之间联系的重要性；超像素块的Lab特征仅有3维,导致构造的字典在稀疏重构方面存在一定的偶然性；稀疏表征思想的引入,也导致了该算法运算复杂度过大。本文在e。-SAS基础之上提出一种基于协同表征的二部图模型,该模型在保证全局特性的同时考虑到超像素块之间的局部信息,对于图像分割鲁棒性良好；引入协同表征(Collaborative Representation, CR)的思想,在保证分割效果的同时,解决了e0范数造成的计算复杂度过高等问题。本文的主要研究工作如下：(1)从压缩感知理论出发,对基于稀疏表征的二部图图像分割算法(l0-Segmentation by Aggregating Superpixels, l0-SAS)进行深入的研究分析。(2)在e0-SAS模型的基础上,考虑超像素块之间的局部信息,合并超像素块的Lab、LBP两种特征,重新构造二部图模型,降低Lab颜色空间特征造成的误差。(3)针对l0-SAS算法计算复杂度过高的问题,结合目前流行的协同表征思想,提出一种基于协同表征的图像分割方法(Collaborative Representation based Segmentation by Aggregating Superpixels, CR-SAS)。该方法能在保证图像分割精度的同时缩减原算法的时间开销。(4) BSD300(Berkeley segmentation database 300)标准彩色图像分割数据库以及矿石图像分割应用进行的仿真实验证明了CR-SAS模型的有效性。