图像分割是指基于一定的相似性准则从复杂的图像背景中提取出用户感兴趣的前景目标,它是图像处理、计算机视觉等领域中的关键步骤。近年来基于图割的方法以简单的交互方式、良好的分割效果等特性获得了国内外的广泛关注,是目前主流的分割方法之一。然而,传统图割算法一般基于局部像素关系指引分割,由于缺乏结构层信息,导致它们较难正确分割包含纹理和低对比度的图像。此外,该类方法对用户标记的种子点较为敏感,当交互信息有限时,往往很难得到较好的分割。针对上述问题,本文在传统分割模型中引入图像多尺度信息以及基于像素和超像素的高阶关系,并结合感知学习和似然扩散等方法,对图割算法进行了改进。本文主要工作和创新点如下:(1)针对像素级信息受限于图像噪声、纹理以及对用户标记的种子点敏感等缺陷,在传统图像分割框架中引入图像多尺度区域信息,提出了一种基于多尺度超像素和图割的交互式图像分割算法。该算法提取超像素内所有像素特征的均值和协方差来获取该超像素的结构信息,以更加精确地度量不同超像素之间的关系。并且通过融合多尺度信息,基于小尺度超像素的局部近邻性约束克服过分割,基于大尺度超像素的长范围连通性约束克服欠分割,来进一步提高分割质量。(2)为了进一步提高算法质量和对用户交互的鲁棒性,将像素以及多尺度超像素之间的关系进行融合,提出了一种基于似然扩散和感知学习的交互式图像分割算法。该算法利用高斯混合模型估计像素和超像素属于标签的初始概率,并且通过传递图像邻域相似性关系以捕获全局相似性关系,提出一种概率扩散策略以更加精确地估计种子点数量有限时的标签先验概率。此外,在分割框架中融合图像的像素层信息和图像长距离超像素层信息,以保持分割结果的局部近邻性和空间连续性。