抠图是一种从图像或视频中精确提取前景信息的数字图像处理技术,其广泛应用于视频会议,影视特效以及视频编辑等领域。本文围绕自然图像抠图中存在的决策变量维度高、决策空间大等问题展开研究。从问题分解优化的角度探索了自然图像抠图求解的新方法,在降低问题规模的前提下提高了抠图的精度。本文的主要研究工作如下:（1）针对自然图像抠图过程中存在的问题规模大难以直接求解问题,本文提出了基于K-means的分组优化策略,该策略通过对未知区域进行分组实现了对抠图问题的有效分解,降低了问题求解的复杂度。基于组内未知区域颜色相近的像素具有相似的透明度遮罩的假设,本文设计了基于分组优化的图像抠图算法,该算法将组内超像素作为优化目标,通过对超像素的优化代替对整个分组的优化解决了因决策变量维度高带来的自然图像抠图难以直接求解问题。实验结果表明本文所提基于分组优化的抠图算法在降低问题规模的基础上提高了自然图像抠图的精度。（2）基于像素间存在的组内特征的相似性以及类间优化信息的传递性假设,本文提出了基于优化信息传递的前景遮罩提取算法。该算法结合组内和类间未知区域像素的特征关系,利用谱聚类对未知区域像素分组,将自然图像抠图这一大规模像素对组合优化问题转化为多个子优化问题。此外,该算法通过采样方法获取组内代表性优化目标,借助最小生成树构建类间优化顺序,依据优化顺序实现了子优化问题的分步求解。为了验证所提算法的有效性,我们与目前流行的抠图算法在公开数据集上进行了对比实验,实验结果表明本文所提算法在抠图精度和处理头发等精细结构上效果更好。