现今社会处于数据爆炸的时代,其中,图像数据更是数量惊人。为了对图像数据进行分析并获得进一步理解,图像分割是不可或缺的一步。正因为其重要性,大量新的图像分割算法层出叠现。图像分割的目的是把图像中与现实世界相关的物体（即目标）分割出来。然而,由于图像分辨率的扩大、图像包含的内容越来越丰富,人们对图像分割算法的性能和有效性提出了更高的要求。现实世界中的很多图像可能是纷繁复杂的,全自动图像分割算法的结果经常无法反映出用户领会的图像中的物体,因此,通过用户干预——指定某些像素属于目标、某些像素属于背景,融入对图像内容高层的理解的交互式图像分割成了更好的选择。虽然目前出现了很多基于深度学习的语义分割算法,但这些方法大多需要大量的特定尺寸大小的分割结果样本、高性能的硬件资源作为其进行学习的前提条件,它们还需要精巧地设计神经网络的架构并进行相关训练和调优,才能实现精度并不太高的分割。本文关注的是不依赖于特定数据集的交互式图像分割算法,它无需事先分割好的真值图像（仅作为评估分割精度的参照）,却能够根据人的主观感受将目标精准、高效地分割出来。通过本文的算法得到的分割结果,可直接用于医疗诊断、目标识别或跟踪等工作,也可直接作为进行深度学习语义分割所需的样本标记数据。本文提出了用于交互式图像分割的表观分离模型,并研究了该模型分别应用于稠密条件随机场（Dense CRF）框架和图割（Graph-Cut）框架的图像分割算法,进而发现并解决了基于这两个框架的传统算法（DenseCut算法和OneCut算法）存在的问题,本人所提出的算法无需多次迭代优化过程,从而实现了高效、准确的前景-背景分割。主要创新点包括:1.提出了一种新颖的用于交互式图像分割的表观分离模型。该模型通过结合图像前景-背景的颜色特征差异和对应的测地线距离差异信息,减少甚至消除了来自背景的杂乱干扰,获得良好的初始软分割结果,为实现最终准确的分割迈出了一大步。现实世界中存在大量前景-背景杂乱或者表观相似的图像,加之受到光线、纹理、模糊等条件的干扰,普通的图像分割算法几乎无法获得令人满意的分割结果。本文提出的表观分离模型充分利用了颜色信息、边信息,借助用户提供的空间位置信息,加入了人类高层的图像理解,实现前景-背景表观分离,使得对这样复杂的图像得以较准确的分割。2.提出结合表观分离模型与Dense CRF框架的精准图像分割算法。基于Dense CRF框架的经典算法,如DenseCut算法,存在多达7个需人为指定数值的参数,这或者需要复杂的参数学习,或者需要耗时的信息统计,且都依赖于特定的数据集。此外,它们可能需要多次均值场推断进行迭代优化才能获得满意的分割结果。且对于表观杂乱或者前景与背景颜色特征相似程度较高的图像,涂鸦交互方式的DenseCut往往需要大量的用户交互工作量。本文算法可根据待分割图像的特性,对每个图像自适应地设置并微调Dense CRF框架中的相关参数,将所提出的表观分离模型应用于该框架,经过一次均值场推断即可获得较准确的分割结果,且降低了用户涂鸦交互工作量。在三个著名的数据集上进行分割实验表明,加入本文提出的表观分离模型后的DenseCut改进算法,在分割精度上优于、在分割时间上接近或者小于近几年的五个交互式分割算法。3.提出结合表观分离、表观交叠惩罚与Graph-Cut框架的快速图像分割算法。基于表观交叠的一次图割（OneCut）算法规避了经典GrabCut算法需多次迭代图割的弊端,大大提高了分割效率。然而经过大量实验可发现OneCut算法容易出现大量孤立点的问题,且孤立点数目在一定条件下与表观交叠惩罚项的权重成正相关。将本文提出的表观分离模型和表观交叠信息合理融入到高效的图割框架中,提出合理的表观交叠惩罚权重方案,缓解了OneCut算法倾向于出现孤立点的问题,提高了其分割精度、降低了用户的涂鸦交互工作量。在三个国际公认的数据集上的分割实验,展示了本文的方法对OneCut算法的改进,同时与其他三个最新的交互式图像分割算法在效率和精度上进行了比较,本文算法实现了它们中的最高精度,且算法高效、可行。