基于图论的交互式图像分割因具备较好的实用性和通用性等特性而受到了广泛的关注与研究。近年来,随着应用领域的扩展,基于图论的交互式图像分割面对的场景越来越复杂,传统分割算法对用户的交互信息比较敏感,需要大量的交互信息才能输出比较准确的分割效果,严重影响了交互式分割算法的准确性和鲁棒性。于是,本文研究的重点就在于:应对复杂的自然场景,使用有限的用户交互信息获得准确、鲁棒的分割结果。具体工作如下:（1）提出了一种基于超像素对概率传递的交互式图像分割算法。将传统方法基于单个元素（一元关系）构建的分割模型扩展为基于元素对（二元关系）构建的分割模型,通过二元关系传递模型,将局部二元关系传递至全局,最后使用全概率公式将二元全局关系转化为一元全局关系进行元素分类,从而实现图像分割。该方法进一步挖掘有限用户交互所潜在的高阶信息,利用图像高阶结构关系将这种高阶信息进行传递,捕获了图像更高阶的二元全局结构信息,提高算法对用户交互信息的鲁棒性。在Berkeley数据集和Microsoft Grab Cut数据集上的比较实验,验证了此算法的性能。（2）提出了一种基于动态拉普拉斯标签传递的交互式图像分割算法。基于标签传递的交互式图像分割算法,将标签信息动态融入到传递矩阵。该算法在每次迭代传递的过程中,利用拉普拉斯算子和标签信息度量节点之间边的边缘可能性,来优化传递矩阵,建立了特征空间和标签空间之间的动态交互过程,提高传递矩阵对图像流型的适应度。为了克服传统分割方法在复杂背景下易产生不属于目标的零碎区域这一问题,该算法对初始标签添加了连通性约束,使得最终的分割结果更准确、有很好的区域连续性。通过在以上两个数据集中的对比实验,证明了此算法在有限交互和复杂的自然图像场景下准确性和鲁棒性。（3）设计并实现了一个交互式图像分割系统,包含两个模块:手动分割模块和自动分割模块。手动分割模块针对单张图像的分割,需要用户实时交互;自动分割针对多张图像的批量分割,需要用户提前交互。该系统集成了前两种算法和几种常用的交互式分割算法,可以有效对比分析分割算法之间的差异。