图像分割目标是把待检测图像根据相应规则划分成具有相似特征的若干个子区域,并从中提取感兴趣区域(Region of Interest, ROI)的图像处理过程。图像分割是图像理解和目标识别的前提条件。图像分割发展过程可分为基于灰度和梯度的经典图像分割处理技术、活动轮廓模型及其改进方法、融合先验知识的图像分割方法和彩色图像分割方法等。从已有图像分割发展过程可见,在图像分割过程中融入先验知识越多,图像分割方法拥有的智能化程度会越高,图像分割处理能力也会越强。本文针对计算机视觉中的图像分割进行相关研究工作,并在目标分割方面进行部分研究工作。图像分割任务是将图像以相似特征作为依据区分成多个区域,图像分割结果是图像理解和目标识别的基础,也可以理解成图像理解和目标识别的初级阶段。在图像分割方面,通过应用图像空间一致性和无监督聚类算法构造概率树结构的贝叶斯网络进行融合执行图像分割过程；通过构造向量值图像的边界检测算子提出向量值图像的全局分割方法,提出新型具有凸性质的向量值图像变分形式及计算方法,最终将全局分割方法应用于新型彩色图像分割过程。在图像预处理方面,针对已有视觉显著性度量方法进行改进和提高,提出改进视觉显著性度量方法和多尺度化视觉显著性检测算法,并将这些经过改进的图像预处理方法应用于图像分割方面。在图像分割和目标分割基础方法方面,提出增量式支持向量机学习方法,包括在线增量学习和在线减量学习方法两个方面；基于增量式支持向量机学习方法提出变量学习支持向量机,包括变量学习支持向量机上的增量学习算法和减量学习算法；基于变量学习支持向量机改进成为自适应的变量学习支持向量机,并将这些改进型支持向量机理论在图像分割和目标分割方面进行应用研究。本文所做主要工作和研究成果如下：(1)针对图像空间结构中的图像空间一致性和无监督聚类相关信息应用在图像分割过程中,提出应用两者结合来达到快速执行图像分割新方法。首先,在目标图像上应用概率树结构的贝叶斯网络改善传统图像分割中常见的“过分割”现象,并使得这些区域能够达到理想边缘部分；然后应用基于概率的无监督图像分割框架来处理待分割区域。(2)根据向量值图像的边界检测算子提出向量值图像的全局分割方法,提出新型具有凸性质的向量值图像变分形式及计算方法。新模型针对很多已有模型的优良特性进行融合。此方法不会受到初始值选取的影响和局限性,并且在理论基础上证明泛化能力已经达到全局极小值。(3)与现有计算机视觉注意机制的图像分割方法进行比较,给出改进视觉显著性度量生成的视觉显著性结果图能够更准确地表现原始图像中各个像素点的视觉显著性值,根据系统显著图进行阈值分割便可以对前景目标和背景区域进行区分,不需要加入其他方法,这样既可以降低时间复杂度,又可以使得图像分割结果更符合人类视觉习惯。(4)多尺度化视觉显著性检测算法能够快速产生和原始输入图像大小相同的细致化视觉显著性结果图。多尺度化视觉显著性检测方法可以生成应用在实时性较高的视频图像序列的帧图像视觉显著性图。同时,此方法还可执行视觉显著性区域检测。(5)在线增量学习OIV-SVM和减量学习ODV-SVM的支持向量机算法,针对训练样本,特别是大规模容量训练样本,OIV-SVM能够在确保其泛化能力的前提下,有效节约训练执行时间。(6)为了解决传统支持向量机方法的执行时间长、执行效率低等相关问题,提出基于增量学习向量的支持向量机学习方法。利用该初始化分类器在有关条件下针对初始训练样本集进行缩减得到精简缩小集,再应用精简缩小集针对初始支持向量机的分类器反向加工来得到支持向量机的最终分类器。该方法可大幅度降低大容量数据集上支持向量机的学习时间,并且具有很好的泛化能力。为了验证本学习方法的可应用性,从Berkeley图像分割数据集BSDS500和Internet网络上选取相关彩色图像进行仿真实验,实验结果表明该方法得到分割结果的过程不仅比传统支持向量机耗时少,且与Berkeley图像分割数据集中人工标注结果比较得到较好分割效果。(7)基于视觉显著性特征和自适应变量学习支持向量机的目标图像分割算法。该算法根据图像局部特征、全局特征、特殊特征执行视觉显著性度量过程,并将视觉显著性特征和颜色特征共同作为目标特征进行表示。应用粒子滤波算法进行粒子群初始化和粒子权值更新操作。通过在视频图像序列中进行相关实验可验证此算法在目标图像分割的有效性和实时性取得的优良效果。此方法能够克服使用单独颜色特征而引起的目标图像分割不稳定问题,并且能够有效解决由于目标形变、光照变化以及目标和背景颜色分布相似而产生的检测困难,具有优良的系统鲁棒性。