图像分割是已经发展了很多年的课题,如今图像分割在各个领域都有着大量的应用,作为计算机视觉中的底层处理技术,图像分割在图像识别、目标检测以及其他计算机视觉技术中都有重要的作用。目前仍没有一种能够解决所有领域的通用的图像分割算法,因此图像分割仍旧是现今的研究热点。现有的图像分割方法多数采用手工特征作为基础进行分割;而基于深度学习的图像分割更多用于图像语义分割;本文由深度学习模型得到启发,在不训练新的神经网络模型的前提下,通过现有模型提取图像的深度学习特征,并结合多尺度过分割方法,对图像进行分割。为了保证最终的分割结果边缘平滑性,并能对图像中的不同尺度的物体进行分割,本文采用了Mean-shift方法以及FH图像分割算法,并运用多组参数对图像进行过分割,可以得到不同尺度的过分割结果,其中的多尺度的过分割区域信息由多个标记矩阵的来保存。利用深度学习模型,从多个卷积层中提取特征图,根据过分割的区域对特征图进行均值池化处理,获取过分割区域的深度学习特征;并提出使用基于似物性检测与过分割进行图像复杂度计算,根据不同的图像复杂度,针对不同层的深度学习特征向量进行筛选,调整相似性度量时的特征距离权重;并对像素与过分割区域构建图模型,采用谱聚类方法进行分割。为了证明本文算法的有效性,实验中使用了BSDS500数据集和SED数据集对该算法进行了测试,并与其它算法的分割性能进行了比较。实验结果表明,本文算法能够更为精确的对复杂图像进行分割,在PRI,VoI,BDE 3个指标上表现出了更好的分割性能。