图像修复与分割是计算机视觉与图像处理领域的研究热点。结合对应图像的深度信息会使得彩色图像分割的准确度得到更大的提高。但是,基于深度的彩色图像及其分割算法上也存在一定的不足,表现在（1）由于深度摄像机物理结构上存在的问题以及外界条件影响,使得深度图的部分区域存在错误的深度值;（2）使用体素化网格对结合深度信息的图像分割问题处理的传统计算方法具有较高的冗余度且计算复杂;（3）目前的卷积神经网络只能处理欧几里得数据的问题,在处理三维信息时可能会丢失部分几何上下文信息,使得最终的结果产生错误。因此,本文提出一种基于深度自适应补偿的彩色图像分割算法。首先,本文提出了深度自适应补偿算法针对深度图进行修复,减少深度图质量对后期处理造成的影响。然后结合修复后的深度图像,提出一种基于深度自适应补偿的彩色图像分割算法。将深度图像信息与对应的彩色图像信息相结合,将分割问题从二维转化到三维空间中,构建有向图,进而将问题转化到图信号处理中去,利用构建的图神经网络对各个点的类别进行分类,最终达到图像分割的目的。本文采用公开数据集Middlebury作为深度自适应补偿的实验数据集;数据集NYUD2作为图像分割算法的实验数据集,对算法设计结果进行了评测与分析。在此基础上完成了以下研究工作:1、进行了深度自适应补偿算法设计。通过区域生长的方法确定彩色图像与深度图像不匹配边缘间的无效像素点,再对其进行剔除。错误像素剔除后,即进行无效像素的填充。本文提出的算法设计了根据深度值变化的自适应窗口,进行无效像素的自适应填充处理,增强了深度图像修复的通用性与稳定性。2、进行了基于深度自适应补偿的彩色图像分割算法设计。利用修复后的深度图结合对应彩色图像通过K-近邻算法建立三维关系,构成有向图。通过一元卷积神经网络对彩色图像的特征进行提取,并将其作为对应点初始的隐藏表示。最后利用图像各个像素点的结构信息与表征信息,即构建的有向图结合初始的隐藏表示作为输入,输入到本文构建的图神经网络中,经过网络的训练对有向图的节点进行分类,即对像素点进行分类,进而达到彩色图像分割的目的。3、对本文算法进行了大量实验模拟并对算法进行了评测。证实了本文提出的基于深度自适应补偿的彩色图像分割方法旨在将深度图进行修复后对彩色图像中的各个对象进行分割,并取得良好的分割效果:（1）在深度图像修复方面通过与经典的联合双边滤波算法、及ImprovedInpainting算法、像素-中值滤波深度图像修复方法进行对比,本文提出的算法得到的峰值信噪比（PSNR,Peak signal-to-noise ratio）提升了6.59d B,均方根误差（RMSE,Root-mean-square error）降低了1.38。证明了算法修复的图像保真度高,对图像深度信息的还原相对比较准确。（2）在图像分割方面,通过与著名的Point Net,及LSTM-CF模型、深度感知CNN模型进行对比,在与最好效果模型平均交并比相当的结果下,平均准确度提升了0.4个百分点,证明了本文提出的基于深度自适应补偿的彩色图像分割算法取得了较好的应用效果。