图像分割是指将图像中的像素按一定的颜色、纹理等规律,形成有意义的区域或目标。图像分割形成的区域内部有一定相似性,不同的区域有一定差异性。图像分割作为计算机视觉中的重要领域,是多种视觉任务的预处理手段,如目标检测、物体定位、医学上的肿瘤检测等等。在这些任务中,图像分割能够提取该任务感兴趣的区域,减少对于图像的计算量。图像分割也是计算机视觉中的难点问题之一,研究成果众多,至今仍然没有完美且通用的分割方法。传统的图像分割算法有阈值分割、边缘检测、区域生长、主动轮廓模型等等。随着深度学习的发展,基于深度神经网络的语义分割算法学习大量带标记的数据,分割结果要好于传统分割方法。但神经网络训练速度较慢、模型相对不透明,依赖于人工标记数据集,可移植性差;传统图像分割算法速度快、不需要训练,可移植性强,因此传统图像分割算法是图像处理前期的重要手段之一。基于目前传统图像分割算法中普遍存在的噪点多、过分割的问题,本文提出一种新的基于超像素的图像分割算法（Superpixel Graph Cut,SGC）。本文算法以超像素而不是像素为基础,结合颜色、纹理特征,形成受噪点影响小、鲁棒性较高的分割结果。本文还将算法SGC应用在无监督语义分割模型的预处理中,证明本文算法的可应用性。本文探讨了国内外的图像分割算法研究趋势,接着分析经典的传统图像分割算法以及深度神经网络分割算法。在经典算法的基础上,介绍本文的图像分割算法SGC。本文算法首先提取简单线性迭代聚类算法（simple linear iterative cluster,SLIC）生成的超像素的纹理和颜色,以自适应阈值的方式将超像素合并,得到鲁棒性较好的初步分割结果;接着通过索贝尔算子产生过分割的边缘,再利用非极大值抑制算法细化边缘;最后根据该细化边缘对本文形成的初步分割结果进行贴合,生成最终的分割结果。本文将算法SGC替换SLIC算法作为无监督语义模型的前置处理手段,证明本文算法SGC能够作为预处理算法应用在神经网络中,具有可行性。本文基于BSDS500数据集进行实验结果评估,分别评判本文算法形成的分割结果的边缘和区域的精准性。最后展示部分本文算法生成的图像分割结果,与典型的传统图像分割算法相比本文算法形成的分割结果受噪点影响小,鲁棒性更好,证明本文算法的有效性。