人类通过视觉获得大量的图像信息和对外界的认识,如何将所感兴趣的目标对象从巨大的图像数据量中分离出来是计算机视觉领域近几年来关注的热点,所以实现图像的显著性目标分割尤为重要,通过对图像集合中的图像关联性进行特征选取并准确分割是本文的主要研究方向,本文从协同显著性检测的图像分割和基于深度学习两方面进行图像分割的研究。全文的主要工作概括如下:(1)提出一个基于块聚类多测度显著性检测的图像分割算法。基于块聚类多测度显著性检测的图像分割算法是一种简单准确的显著性检测方法,通过建立图像集合中图像的关联性,对图像分块聚类并计算四种显著性测度,对得到的显著性图像进行融合得到最终的分割结果。经过实验证明基于块聚类多测度的协同显著性检测方法不但能提高分割准确度,并且具有较高的鲁棒性。(2)提出一种基于块标注、轮廓先验信息的图像分割算法。基于块标注、轮廓先验信息的图像分割算法通过寻找图像集合中图像的目标轮廓并标记区域来进行图像分割,对图像分组分块进行树形分类,获取到显著性目标对象的边缘轮廓图同时标注为内部和外部区域,计算并融合显著性图像得到最后的分割结果。经过对比实验证明该算法具有精确的分割效果。(3)提出一种针对植物图像集合的分割模型。通过构建并标注自己的植物图像数据集,利用深度学习算法框架来进行模型的训练和植物图像的分割,实验结果证明该模型对于植物图像具有优良的分割效果并且能实现精准的实例分割。