现有的图像分割方法大部分基于一致性的准则，难以分割不一致的目标。为了解决这个问题，人们所采取的方法包括引入视觉显著性将显著的不一致目标分割出来，以及引入人工信息建立交互式分割。但是这两种方法都存在一些缺陷，显著性分割方法难以得到目标精确的边界轮廓以及比较难分割出具有一致性的目标，交互式分割方法的问题在于人工信息的不确定性以及分割结果对人工信息的敏感性。基于以上两点本文首先提出了一种基于显著性的N-cut算法，通过引用INP算法中计算显著图的像素不一致因子PIF，使经典的N-cut分割过程充分考虑到图像的亮度特征，得到精确的目标边界轮廓，准确地分割出目标。其次本文在一种新的基于最大相似性的区域合并算法的基础上，提出了基于显著性种子点区域合并的图像分割框架。同一个目标中具有不同特征的像素点都可以作为代表先验交互信息的候选点，同时这些点由于具有较高的显著性而引起人们的注意。通过显著性分析可以自动地获得理想的先验信息，从而替代费时费力的人工信息。对大量自然图像数据库中的图像进行实验，结果表明本文提出的基于显著性的N-cut算法和基于显著性种子点区域合并的自动的图像分割算法都可以从背景复杂的图像中准确的分割出目标。