图像与视频分割问题是计算机视觉一个重要的研究课题,其主要目标为将图像与视频中的感兴趣区域成功分割出来,以用于后续处理分析。图像分割、视频分割技术已经广泛应用于监控、人脸识别等。本文从效率、准确性等角度对图像与视频分割进行研究,主要内容包括基于自适应非局部随机游走的超像素分割技术研究以及基于时空随机游走的视频分割技术研究。超像素是计算机视觉方向一个非常重要的预处理方法,其在许多图像与视频处理方法中是不可或缺的一部分,例如在视频分割中,如果用像素作为基本单位,在计算帧与帧的关系的时候会极其复杂,如果使用超像素作为基本单位进行处理,能够极大的减少后续计算时间与空间复杂度。现有超像素分割算法在弱边界的处理上效果不好,而随机游走理论是一个非常强大的模型,其在处理复杂纹理信息跟弱边界问题上面有着较好的表现,将其用于超像素分割能够提升弱边界分割的精确度。现有的部分视频分割算法在时空连续性上不好,分割精确度不足,分割时间较长。将随机游走应用于视频分割能够得到有着较好时空连续性、精确度的分割结果,并且时间花费也较小。本文主要工作如下:(1)将随机游走理论应用到了超像素分割中,提出了一种基于自适应非局部随机游走的超像素分割算法。传统的超像素算法没有考虑相邻点之间的相似度,本文的自适应非局部随机游走在传统的非局部随机游走(NRW)算法上进行了改进,并且本文提出了一种新的基于梯度的种子点选取方法。通过在伯克利数据集(BSD300)上的实验,证明了本文算法的有效性。本文还将自适应非局部随机游走推广到了交互式图像分割算法中。(2)本文提出了一个时空随机游走算法,并将其用于半监督视频分割。我们的算法需要用户在第一帧中标注出要分割的物体,然后通过时空随机游走进行求解,最后通过改进的子马尔可夫随机游走进行优化,本文的视频分割算法对于物体的分割十分准确,并且速度也十分快,通过在SegTrack上的对比实验以及在SegTrack v2上进行了附加实验证明了本文的算法的有效性。