随着多媒体技术及数字成像设备的发展,图像的分析与理解吸引了许多研究者的关注,而图像分割作为图像分析基本而关键的步骤之一,更是成为了图像工程研究的重点与热点技术。图像分割是指通过提取图像的特征信息,并根据特征的相似性将图像分割成为各具特性的区域,而图像协同分割作为更具挑战的课题,是指通过挖掘图像集合间的图像特征信息,利用图像集合的信息,将集合中的共有目标分割出来。鉴于图像分割研究发展的特点,在此结合多种图像特征信息,改善传统的单幅图像分割效果;根据图像协同分割的特点,采取合适的图像协同模型,建立图像集合间图像的联系,同时对提出的模型方法进行了深入对比实验。具体的研究工作如下:第一,对图像显著性检测原理及应用进行了介绍,详细讲解了在后续研究中所采用的显著性点及显著性区域检测算法,并在经典显著性数据集MSRA-1000中对具有代表性的9种不同显著性算法进行了对比实验,为结合显著性特征的图像分割算法提供了理论及应用方法;第二,提出了一种结合显著性区域及仿射聚类(Salient Region with Affinity Propagation Clustering,SRAPC)的自动形状先验图像分割算法,通过采用图像的显著性点及显著性区域信息,得到前景区域的显著性点,并通过AP聚类,得到星形中心,结合星形形状约束的图割优化分割框架,从而完成目标的分割;第三,提出了一种基于扩散的协同图像分割算法,通过建立图像集合中的扩散模型,用传导边将图像连接成一个统一的扩散网络,将图像集合的协同分割问题转化为构建的3D扩散模型最大增益值求解问题,根据子模优化理论进行求解,并通过大量的对比实验在协同分割数据集中验证该协同分割算法的性能。