本文主要介绍了视频分割领域的相关成果，在总结前人成果的基础上，结合自己对该问题的理解，提出了一个基于部分吸收随机游走的视频超体素分割方法，得到稳定且具有高准确率的超体素。实验结果表明，相对于当前主流的求解超体素算法，我们的方法能够达到更好的性能。本文工作的主要贡献如下：1）构建一种新颖的时空框架。该时空框架将超体素分割转化至两个相邻帧上，通过执行两次分割，而非在直接处理整段视频序列，在保证分割效果的前提下，大大简化计算的复杂性，降低了资源消耗。同时考虑到相邻帧之间的信息一般变化不大，本文应用光流信息在帧之间的传递过程，通过将上一帧信息来引导下一帧的分割，即将上一帧的种子传递给下一帧，这样超体素在时间域保持连续。不断重复以上过程，通过这种“分割-传递种子-分割”的过程，从而保证了超体素在时间、空间上的一致性。2）建立一个新型拉普拉斯优化结构。该拉普拉斯优化矩阵充分利用视频序列的外观特征和运动信息进行求解，分别在帧内部和帧之间计算其颜色和光流信息，这是获得准确贴合对象边界的超体素的关键因素。3）使用部分吸收的随机游走方法求解超体素。大多数传统的超体素算法在复杂的纹理或弱边界的区域表现的并不好，不能准确的求解出运动对象的边界。部分吸收随机游走能够充分考虑全局性信息，并且能够有效避免传统随机游走方法的错误引导的问题，在因此分割弱边界或复杂纹理的区域时，也能获得良好的贴边效果。