图像分析是指通过模式识别或人工智能的方法对图像显示的场景内容进行描述、解释、分类、推断的过程，已经广泛应用在安全监控、工业检测、军事遥感、医疗影像等领域中。现阶段图像分析技术发展迅速，取得了一系列显著的成果，特别是3D视频的迅猛发展，以及消费级深度摄像机的问世，给图像分析领域注入了新的活力。本文正是在这样的背景下，针对如何将RGB-D数据中的彩色信息和深度信息联合应用到图像分析中的问题开展了深入的研究。本文首先在总结图像分析技术国内外研究现状的基础上，着重介绍了图像分析的基本概念和原理，其中包括图像分析系统、常用的图像特征以及分类器的介绍。接着，本文介绍了当今最流行的消费级深度获取设备Kinect，阐述了Kinect获取深度信息的工作原理及深度信息的存储方式。对应于图像分析的有监督学习方式和无监督学习方式，本文在以下两个方向做了详细的研究，分别是基于深度信息及随机回归森林的人体头部姿势估计和基于立体显著性的图像区域分割问题。在人体头部姿势估计的研究中，本文首先介绍了随机回归森林预测器的训练方式和工作原理，然后利用Kinect设备作为深度摄像机，获取人体上半身的深度图像，并实现了头部中心位置及人脸面朝三维方向的实时估计。实验结果表明，该头部姿势估计方法具有良好的准确性和实时性。在基于立体显著性的图像区域分割的研究中，本文从现有的基于区域对比的平面显著性模型入手，提出了使用深度图进行区域预分割、在此基础上进行区域对比计算图像显著性的方法。同时，将该方法与符合人眼立体视觉特性的深度加权立体显著性模型结合，提取出了图像的立体显著性区域。实验结果表明本文的显著性获取方法性能良好，分割出的目标区域较为准确。