图像分割是指将图像分成若干个具有相似性质区域的过程。目前图像分割有许多种不同的划分方式,根据是否需要用户的参与来划分图像分割的种类,可以将图像分割的方法分为自动的图像分割方法和交互式的图像分割方法。相较于自动的图像分割方法,交互式分割可以通过用户人为的提供目标前景和背景的先验信息,指导网络模型的分割过程对感兴趣的目标进行分割,而且还能在分割过程中采用迭代修改的方式对分割目标进行逐步的修正,以此来得到更加精确的分割结果。然而,在目前现有的交互式分割方法中依然存在着交互方式复杂的问题,导致交互式分割方法的效率低下。同时由于目前图像分割方法大多是基于像素点的分割算法,这种方法通过对图片的所有像素点进行分类的方式来得到图片最终的分割结果。这将会导致分割算法有更高的时间复杂度和空间复杂度,使网络模型的计算量过大,影响图像分割的性能。为了解决上述所存在的问题,本文将图卷积神经网络引入到交互式分割中,提出了一种基于图卷积神经网络的交互式图像分割方法。本文的主要研究内容和创新点如下:1.本文提出了一种基于图卷积神经网络的图像分割方法,该方法首先利用超像素分割将图像分割成若干个超像素块,同时使用预训练模型VGG16对图像进行特征提取,计算出每个超像素块所对应的特征信息,然后使用超像素分割结果和提取到的特征图将图像处理成图数据,再使用本文构建的图神经网络对输入图数据的特征进行聚合,之后利用多层感知机根据图节点的特征信息对图节点的类别进行分类,最后通过节点的类别信息来判断其对应的超像素块是图像的前景还是背景,以此来得到输入图像的分割结果。实验结果表明该方法显著减少了网络模型的计算量,有效的提高了网络模型的性能,同时在PASCAL数据集和COCO数据集上都能得到较好的分割结果。2.为了进一步提高图像分割结果的准确率,本文提出了一种基于中心点修正的交互式分割方法,该方法通过用户点击分割目标中心位置的方式来向网络模型提供先验信息,利用中心点射线法来确定分割目标的边界节点,然后重构输入的图数据,使其对输入的节点类别进行重新预测,以此来提高分割结果的准确率。在该方法中用户只需要点击分割目标的中心位置,就能完成整个交互过程,极大的提高了交互式分割的交互效率。实验结果表明该方法能够有效的提高图像分割结果的准确率,并且在性能上优于目前其他的交互式图像分割算法,解决了交互式图像分割中存在的交互方式复杂、交互效率低下的问题。