图像的对象分割是计算机视觉领域一个重要的研究课题，也是计算机理解与分析图像的重要步骤。至今，图像对象分割方法种类较多，目前主流方法采用条件随机场框架。这些方法一般以像素为单位进行处理，包括特征的提取，存在较大的冗余计算，另外如何利用图像的语义信息也是重点研究方向，语义信息能够大幅度提高图像对象分割的准确率。本文针对上述问题提出一种基于层次条件随机场的图像对象分割方法。该方法是以超像素块为处理单位，并采用基于超像素的textonboost特征。另外本文提出一种基于贝叶斯和谐度的图像分割方法，该方法能够自动选择合适的区域块数，获得的区域块尽可能包含同一个对象，这能够体现一定的语义信息。我们结合此区域块定义高阶势能，高阶势能建立超像素与区域块之间的层次约束关系，然后建立层次条件随机场模型，并利用超像素特征和区域块特征训练层次条件随机场的参数。最后通过最小化该层次条件随机场的能量式获得最终的图像对象分割结果。最后本文在公用图像数据集MSRC上测试本文的方法的性能。并分别与基于超像素和像素的图像对象分割方法进行对比。实验部分从模型训练所需时间和图像对象分割准确率两个方面进行分析，实验结果表明本文提出的方法在训练模型的速度和图像对象分割的准确率均取得较好的结果。