近年来机器视觉在社会生活不同工程领域中得到广泛应用,而图像分割作为机器视觉的重要组成部分,对工程实际应用的精确性和可靠性有着决定性的影响。本文以提升图像分割的准确性为目的,通过学习研究图像显著目标分割算法,并以此为基础进行改进而提出了两种新的图像分割方法。1.针对现有自底向上的贝叶斯底层中层特征聚类(LMLC)和图模型流行排序(GMR)图像显著目标分割算法,在面对复杂场景图像时,存在背景错误突显的问题,本文提出结合稀疏重构与能量方程优化的图像显著目标分割算法。首先利用简单线性迭代聚类SLIC算法将输入图像分割为超像素以去除不必要的细节;然后选取图像边界超像素作为背景模板,以此构建稀疏字典进行稀疏重构计算重构误差,并作为超像素的初始显著值;最后利用图论模型流行排序能量方程所构造的目标函数对初始显著值优化,对优化后的结果进行前景增强得到最终显著图,进一步分割后便得到图像目标。将提出的算法与其他多种同类算法进行测试和对比,实验结果表明:提出的算法在复杂场景图像的显著目标分割中鲁棒性更好,能够对背景进行更有效的抑制,分割得到的图像目标也更加精确。2.通过图像演绎实验测试对比,本文发现现有自顶向下类型的深度学习卷积神经网络图像显著目标分割算法,存在部分结构边界轮廓区域和边缘细节信息缺失的问题,这些问题导致了图像目标分割精确性的降低。为克服现有卷积神经网络的这一缺陷和提升图像目标分割的精确性,本文提出深度特征导向的图像显著目标分割算法。根据卷积神经网络各层级特征具有的不同特性,为突出高层语义特征在图像显著目标检测中占据的主导性作用,构建了从深度卷积层到低卷积层的跳跃性跨层级特征导向网络模型;为进一步提升改善结构边界轮廓,增加边缘信息和降低噪声,利用简单线性迭代聚类SLIC算法和完全联系条件随机场CRF对显著图优化,对优化后的显著图进行分割便得到图像目标。将提出的算法与其他多种同类算法进行测试和对比,实验结果表明:构建的算法模型,对卷积神经网络的输出结果进行了改善,缺陷影响降低,图像目标分割的精确性也得到提升。