视觉目标定位与分割是计算机视觉领域的热点研究方向,是环境感知的前提条件。所谓视觉目标定位就是找到图像中的目标,并给出其空间位置关系。视觉目标定位是图像语义分割的基础,语义分割就是将一副图像中所包含的语义目标精确定位。本文主要研究图像集中共同类目标发现以及图像的语义目标分割,主要解决了目标定位和分割中的三个方面的问题:1)面向多类目标识别的有效特征表示方法2)目标分类的有效方法;3)有效的图像上下文线索表示。本文的主要工作与贡献如下:　　 1)提出了面向图像集的基于上下文关系的无监督前景目标定位方法。传统的目标定位方法多是针对单幅图像,且基于监督学习。监督学习依赖有标记的图像库,而依赖监督学习的目标定位,需要对图像进行子窗口空间搜索。本文针对类目标图像集,提出一种基于无监督学习的基于集合上下文线索的视觉目标发现定位方法,摆脱有监督学习对有标记图像库的依赖,同时,无须对子窗口空间进行搜索。所提方法首先对图像进行多分割,然后通过对生成的分割片进行聚类,设计四种线索评估前景目标的概率,找出最可能属于前景的分割片,最后利用多示例学习提取前景目标。实验结果验证了所提算法的有效性,目标的定位精度好于流行的无监督方法。　　 2)提出了一种超像素多尺度空间的语义目标分割方法。流行的图像分割方法多为自底向上的无监督学习过程,这类方法的局限性在于分割的区域一般不具有语义信息。为此,本文提出一种语义目标分割方法,将语义目标从图像中提取出来。该方法针对超像素进行监督学习,进而基于超像素尺度空间建立图像上下文关系,利用条件随机场框架将监督信息及上下文信息进行融合,求解前景目标置信区域。实验结果验证了所提算法的有效性,其语义目标的分割精度好于当前流行的语义分割算法。