互联网的高速发展以及移动设备的广泛应用使得图像数据呈现爆炸式的增长,单图像分割技术在处理大规模图像时表现出性能不足。过去十年间,多种能实现大规模图像同时分割的协同分割模型及算法被提出并应用于实际。但协同分割在处理图像组的多类共同对象,噪声图像,以及复杂前景等多样性问题上进展缓慢。针对传统协同分割方法以图像组都包含共同对象为前提,并且在处理具有复杂前景、相似背景以及随机网络图像组的实际问题中暴露出其性能不足的问题。为处理包含噪声图像的随机图像组,本文研究一种通过以图像组进行预处理形成预序列来优化的可识别噪声图像的协同分割方法。论文具体工作如下:针对传统有向图协同分割在处理噪声图像的不足问题,改进了一种基于图像显著性的有向图协同分割模型以及模型的求解算法。通过改变有向图协同分割模型中有向图的结构,并且在模型求解算法过程中融合阈值方法修正有向图求解路径,以标记噪声图像,达到识别随机图像组中噪声图像的目的。同时在有向图的构建过程中,结合图像颜色特征以及加权图像显著性信息来理解图像内容,处理相似背景问题。针对有向图协同分割建模过程中随机序列对识别噪声图像的不良影响,提出基于显著区域预处理来优化可识别噪声图像的有向图协同分割方法。通过基于显著区域,处理图像组的图像间相似约束条件,构建图像间的相似完全图,以平均最大相似点作为初始点,再利用贪心算法求取最优序列,基于最优序列构建层次化有向图,加强有向图间的联系,优化可识别噪声图像的有向图协同分割方法。借鉴图像检索的评估指标,设计了针对可识别噪声图像问题的评估指标,并在标准数据集iCoseg和MSRC,以及MIT团队收集的网络数据集上进行了相关实验验证,结果表明该方法能够有效地识别噪声图像。