随着技术的发展,获取到的图像的大小越来越大。所以以像素为基本处理单位的图像处理算法的性能越发不能够满足人们的要求。超像素分割算法就是为了处理这个问题而出现的。超像素是具有一定视觉意义的像素块。将图像分割为超像素后,极大减小了后续处理的复杂度,并且超像素还具有一定的局部信息和结构信息。在图像分割、目标跟踪、人体姿态估计和图像场景解析等任务中,超像素分割都是有效的预处理方法。针对简单线性迭代超像素不能有效的分割出图像中对象的弱边缘的问题,进行了在原有算法上加入轮廓闭合感知先验的研究,提出了基于轮廓闭合感知的超像素分割算法。该算法通过将边缘谱转化为像素点相似度和梯度图等像素级信息,构造了新的距离公式。使用边缘提取算法得到图像的边缘谱,然后使用区域扫描算法得到区域相似度矩阵再计算像素点相似度。同时得到边缘谱的距离变换谱,再得到距离变换谱的梯度图。结合像素点相似度和梯度图,在简单线性迭代聚类算法的基础上进行了改进。在BSDS500以及PASCAL VOC 2012两个数据集上进行了测试,实验表明该算法能够分割出图像中的弱边缘并且在边界召回的指标上有提升。针对基于测地距离的超像素分割算法生成的超像素边缘与真实边缘存在误差的情况,进行了改进距离公式的研究,提出了一种基于遗忘感知的超像素分割算法和一种基于特征聚合的超像素分割算法。基于遗忘感知的算法在计算距离时加入了遗忘系数、边缘项和像素点到种子点的欧氏距离。提取图像的边缘谱,根据图像生成种子点,从种子点开始按四邻域对像素点进行搜索和分配,在边缘处的像素点按距离分配给距离最小的种子点,直到所有像素都被分配完毕。基于特征聚合的算法是将路径上所有的像素点的特征进行了聚合,并使用欧氏距离计算种子点和像素点之间的距离。生成种子点,从种子点开始搜索和分配像素点,当搜索到某个像素点时就根据搜索的路径计算该点的聚合的特征,用新的特征进行距离计算。同样在BSDS500以及PASCAL VOC 2012两个数据集上进行了测试,实验表明以上两种算法在保持一定的超像素规则性的同时还能够准确的分割边缘,在各项评价指标上也取得了不错的性能。