数字图像抠图技术是指把任意形状的前景物体从图像中分割出来的一种技术,如今它己经成为影视特效等多媒体制作中不可或缺的关键技术,因此该技术具有巨大的商业价值。但是,现有的抠图技术难以同时满足人们在数字图像抠图的速度和效果两个方面的需求,同时,它又难以对自然界存在的大量的颜色变化比较剧烈的复杂图像进行抠图处理。本文针对现有的数字图像抠图技术存在的问题,就如何提高分割速度和改善最终抠图效果两方面进行了研究。首先,本文针对Grab Cut算法中所使用的数学模型和数学公式进行研究,对其中一部分不利于实现,或者计算量较大的部分,在不影响最终效果的前提下,采用其它公式或模型对其进行替代,在此基础上对原算法进行实现。在高斯混合模型的初始化聚类方面,引入了二叉树颜色量化算法进行聚类,相较其他算法取得了更好的迭代分割结果。在迭代计算方面,本文针对高斯混合模型组件在迭代过程被吸收的现象提出并实现了迭代过程中的重新聚类与混合聚类的方法。相比原算法的迭代过程,这种方式一方面加速了迭代过程中的收敛速度,另一方面迭代后的结果与前相比更佳符合分割的要求。最后,针对Grab Cut算法中,对于平滑项的处理是局部收敛的,每次进行计算只是针对每个正在处理的像素点以及与其相邻的几个像素点进行处理的,因此整个迭代最小化是局部收敛的,因此,在本文中,利用互异点对对最小化迭代进行全局上的约束。