图像分割是计算机视觉领域里的一大核心研究方向,是为图像中具有相同或类似特征的像素预测其所属分类的技术。目前被广泛用于自动驾驶、增强现实、人机交互和生物医学影像等图像处理相关工程应用领域。多视点图像中对于目标的分割任务是三维显示应用中的一个关键步骤,分割的精度及多视点图像之间分割结果的一致性都关系到后续的三维显示效果。因此对于多视点场景,不能局限于单视图中分割边缘的准确度,还要考虑不同视点间的分割结果的在三维空间中的联系。处理多视点分割时不符合空间一致性而导致目标掩膜中存在大量冗余背景像素、关键区域像素分割不均匀且精度不佳,这些都是亟待解决的问题。本文针对受约束于多视点图像间空间一致性的前景分割问题,搭建了全新的方法模型,完成了一系列研究及相关工作,课题的主要贡献概述如下:1)实现基于SfM相机标定以及三维空间多视点投影关系的多视点图像序列重聚焦算法;使用TensorFlow框架搭建深度学习实例分割网络,使用COCO数据集对网络进行预训练直至收敛,得到端到端的目标检测+语义分割二阶段网络模型。将多视点重聚焦图像输入该网络进行预分割测试,前景人像的分割精度可以满足后续的使用需求,作为baseline方法;创新性地将网络的两个分支输出作为先验知识,为之后预分割后处理算法的实现奠定了基础。2)针对深度学习分割结果中包含过多背景像素的问题,在其基础上,提出建立高斯混合模型（GMM）来做预分割的后处理优化,开展实验比对不同先验下的最终分割效果。对比baseline实验,两组采用不同先验组合的强化实验,在平均掩膜交并比（mean mask IoU）指标上,分别提升了 5.78%和7.71%,有效地去除了人像的背景像素。采集48视点数据用于三维显示效果验证,利用多视点算法处理分割得到的人像得到合成图。在光栅显示器上显示后获取的实际拍摄效果,进一步验证了本文提出方法的有效性。