随着大数据时代的到来,深度神经网络在人工智能领域的应用获得了前所未有的关注。深度学习的成功不仅仅依赖于计算资源的快速增长,还取决于大量高质量训练数据集的构建。然而,海量像素级别数据集的标注极其费时费力。交互式图像分割算法允许用户通过某种交互方式,如点击、涂鸦或者矩形框,指定部分图像的前景和背景区域,进而提取出用户感兴趣的目标对象。该技术可以极大地减轻相关工作者的标注负担,能够在标注训练数据集时更加便捷、方便,提高数据集生成的效率。但是目前存在的交互式图像分割算法仍存在许多缺点,如交互方式不够便捷,分割精度不够高,需要较多的用户交互等。本文从减少用户交互量,帮助现有的交互式图像分割算法取得较好的分割效果出发,对交互式图像分割问题展开深入研究,提出了相关的解决方案。主要研究成果可归纳为以下几个部分:（1）针对内外信息指导的交互式图像分割算法面临的内部种子点标注不一致导致的分割性能下降的问题,提出了一种基于内部种子点自动定位网络的交互式图像分割算法。算法将内部种子点的自动定位问题定义为马尔科夫决策过程,并将决策策略参数化为一个深度神经网络。为了提高内部种子点定位智能体的决策能力,设计了更加有效的状态空间、动作策略组合以及奖励函数。使用深度强化学习技术,本文提出的算法可以根据历史经验优化决策策略,寻找最佳的内部种子点位置。实验结果表明,本文提出的算法可以准确地定位目标对象的内部种子点,在减少用户交互工作量的同时帮助内外信息指导的交互式图像分割算法取得精确的分割结果。（2）现有的基于区域融合的交互式图像分割算法利用人工设计的区域融合准则对超像素区域进行合并,因此算法的分割性能易受融合顺序的影响。针对以上问题,本文构建了一种基于马尔科夫决策过程的超像素区域融合模型,提出了一种基于深度强化学习的区域融合交互式图像分割算法。算法将超像素区域融合问题转化为一个最优决策策略求解问题,使用深度神经网络参数化决策策略,并利用深度强化学习算法从以往的经验中学习最优的区域融合策略。为了提高区域融合智能体的决策能力,本文设计了有效的状态空间、动作策略组合和奖励函数。实验结果表明,基于深度强化学习的区域融合交互式图像分割算法可以推理出更加有效的区域融合准则,进而取得较好的图像分割结果。（3）基于最大相似性区域融合的交互式图像分割算法使用RGB颜色特征构建特征向量,当面对前、背景区域具有相似颜色特征的复杂场景时,算法的分割效果非常不理想。针对该问题,本文提出了一种基于最大相似性区域融合算法的自动图像分割方法。算法将易采集的深度信息作为RGB图像相对应的重要补充融入到特征向量的构建中。首先研究了融合深度信息的简单线性迭代聚类算法,接着利用深度信息和颜色信息构建显著性种子点检测模型,自动生成前景及背景种子点。为了更好地指导区域融合,再次利用深度信息设计了最大几何加权相似度融合准则。实验结果表明,基于最大相似性区域融合的自动图像分割方法可以在不需要任何用户交互的情况下,取得令人满意的分割效果。本文研究有望解决交互式图像分割算法中用户交互操作不够便捷、交互量较多的问题,进而减轻相关工作者的标注负担,提高深度学习数据集的生成效率,推动深度学习在计算机视觉领域的深入应用。