人类的视觉能力能够轻松实现对图像的分割,但这一能力对计算机视觉系统却是艰巨的挑战。近年来,由于图像信息的大量增多,对多张图像实现联合分割比单独对每一张图像进行分割更为合理与高效,因为多张图像中往往包含有共同的前景物体或同一类别的相似物体。这一类图像分割方法被称之为协同分割。在广泛调研并深入研究了目前国际上有关协同分割经典算法的基础上,本论文重点研究了基于超像素的目标协同分割算法、高维特征描述子设计和分割能量模型的优化求解方法等,并致力于利用协同分割思想实现目标同时搜索与分割应用。本文的主要研究内容和贡献包括：1.提出了一种基于目标发现与树图约束的协同分割算法,解决协同分割中因图像间背景相似而前景剧烈变化造成的前背景混淆问题,以及大多数基于马尔科夫随机场的协同分割算法仅适用于小数据集(如图像对)的局限性。新的目标发现机制引入了基于超像素的显著性先验以及重复性度量的感知信息,有效地利用协同分割的先验信息解决了前背景混淆问题。同时,将基于超像素的分割问题转化为组合优化问题,通过树图约束的优化求解方法不但降低了计算复杂度,且搜索得到的最优解使得物体的分割更加完整和准确。2.提出了采用高维特征学习的方法对目标发现机制得到的训练样本进行学习,使算法能够扩展到更大的数据集。此外,还提出了森林图约束模型及其优化方法,将已有的基于树图约束的单目标分割扩展为多目标分割,解决了基于超像素的协同分割算法往往对多目标场景(如体育赛事图像)下的分割处理效果欠佳等问题。3.提出了一个新的融合感知信息的协同分割统一模型及其优化方法以解决分步式的协同分割算法对目标初始化较为敏感且仅在初始化阶段利用共同物体先验、显著性先验等信息的局限性；提出将包含区域集显著性、重复性以及空间位置信息等的感知信息作为全局约束项引入能量模型,同时采用基于感知的结构化森林框架加以优化求解,充分利用了感知信息解决目标的协同分割。4.借鉴交互式的协同分割思想,提出了一个新颖的视觉目标同时搜索与分割模型,实现对互联网图片中感兴趣目标的同时搜索与分割提取。在这一算法中,我们提出将种子超像素作为联系目标搜索与分割的纽带,搜索与分割两个过程以互相促进的方式工作。种子超像素作为结构化的约束条件指导分割,同时分割结果通过反馈验证机制排除错误的种子超像素,更新种子超像素集合。最后的分割结果反映搜索与分割的共同结果。