图像分割作为目标分析与识别、目标跟踪等高级图像处理操作的一项基础且关键的步骤,其分割结果的好坏直接影响后续处理操作。现有的图像分割算法可根据人工参与与否,将其分为交互式分割和自动分割。前者由于其良好的分割性能,得到了广泛的应用。但当面对的图像数据量较大时,相应的需要消耗更多的人力且较费时,无法满足实际需求。近年来,基于视觉显著区域检测算法的研究取得了不错的成果,许多研究人员将其与已有图像分割算法结合起来,为自动化分割算法提供更多可能。然而,基于视觉显著区域检测算法在含有灰度分布不均匀、复杂背景及与背景特征（如灰度、颜色）相似的前景等图像中仍无法有效检测出图像中的显著区域,影响了图像分割精度。因此,本文主要针对基于视觉显著区域的图像分割算法展开研究。本文的主要研究工作以及创新点如下:（1）提出一种基于区域的自动初始化主动轮廓模型（initial contour based on visual salient region-region based hybrid active contour model,ISR-RBHM）。该模型首先利用了改进的视觉显著区域检测算法对待分割图像进行预处理操作,获取目标候选区域,自动设置初始化轮廓曲线;其次,将获取的目标先验信息与待分割图像中具有最大对比度的位图相结合,设计自适应符号函数,对优化Lo G（laplacian of gaussian,Lo G）能量项进行加权,以线性方式融合到RSF（region-scalable fitting,RSF）模型中,增强模型的自适应能力;最后,设计新的局部灰度测度,与局部核函数相结合,改进局部能量项,提高模型在目标弱边缘处的敏感程度,准确定位目标边界。实验结果表明:ISR-RBHM模型能够有效识别视觉显著区域,自动设置初始化轮廓,并有效保留目标边缘细节,视觉及定量实验结果证明了该模型优于目前一些主流的主动轮廓模型。（2）针对现有视觉显著区域检测算法在含有复杂背景的图像中无法更好的识别出前景目标区域,从而降低分割精度的问题。本文首先构造二层稀疏图,并在此基础上,计算基于紧凑性的显著图,较精确的定位目标区域;其次,选取图像边界的超像素,将其作为背景种子,提出基于背景种子的显著图,并以线性方式与基于紧凑显著图相结合,提出SRCB算法（salient region detection algorithm based on compactness and background seed,SRCB）,有效的检测出显著目标区域,并在一定程度上抑制了背景噪声;最后,将融合的显著图结果嵌入到图割框架中,提出SRCB-GC算法（salient region detection algorithm based on compactness and background seed-Grab Cut,SRCB-GC）,该算法能够有效消除冗余的背景信息,得到更为精确的二值化分割结果。SRCB-GC算法作为一种自动分割算法,无需人工干预,能够有效的将前景目标区域分割出来,移除背景噪声。实验结果表明,该算法在处理含有复杂背景的图像时具有明显的优越性。（3）提出一种面向RGBD图像的共分割算法。该算法首先构造二层稀疏图,在此基础上,引入深度信息对边缘权重进行优化,获取由深度信息优化的基于前景紧凑性和背景种子的显著图,并以线性方式相结合,得到图像组中单幅图像对应的显著图;其次,选取单幅显著图中的初始前景种子,并结合深度、颜色等信息对初始种子进行筛选,将优化后的前景种子作为稀疏重构的前景字典;再者,计算基于稀疏的全局重构显著图,同时充分利用图像组中两两图像之间的关系构造基于稀疏的局部重构显著图,并以线性方式将基于稀疏的全局和局部重构显著图进行结合,将融合后的稀疏重构显著图与单幅图像对应的显著图以乘性方式相结合,使用能量泛函对融合后的显著图进行优化,得到优化后的显著图;最后,利用图割算法对优化显著图进行分割。由实验结果不难看出,该算法取得了较为满意的分割结果,更能满足人类视觉感官系统。