图像分割在计算机视觉系统中占有非常关键的地位,被广泛应用于医学分析、交通控制、机器学习、人脸识别等诸多领域。相比于传统分割算法,近几年提出了层次分割算法给图像处理和应用带来了更优的效果。通常情况下,每个图像都有自己的最优参数集,一个固定的参数设置可能会导致不满意的分割。为了给目标检测任务提供高水平的分割结果,本文对层次图像分割的层次选择技术和目标分割算法进行了研究,利用层次图像分割结果中隐含的区域性质,在不借助Ground Truth或用户提供目标先验知识的情况下,通过层次之间相互比较,选取稳定有效区域,再结合物体的显著性提取目标区域,设计构造基于目标分割的图论模型的方法。本文提出的框架不同于以往基于最优阈值的单层选择方法,而是从多个分割层次中选择目标分割质量高的区域,实现目标分割层次的自适应选择。首先,本文对层次图像分割的国内外现状和本文涉及到的相关技术进行了介绍,其中相关技术包括有层次分割算法,基于图论的分割算法,聚类学习以及显著性检测对象。接下来,针对在层次分割技术中关于分割层次的选择问题,提出了一种基于图像目标分割的分割层次选择方法,并利用区域相似性矩阵在层次中选取有效区域。在进行目标区域提前,研究显著性区域特点,引入视觉显著性进行辅助分析。针对有效区域的特征数据和层次中区域的结构性质,提出了一种基于区域间相似对比度的分类方法,实现对目标区域的分类。然后以多层次图像分割中隐含的区域性质为依据,构建了多层次分割区域的组合优化图论模型,提出了一种基于区域层次相似度的图像目标分割的方法。在BSDS 500数据集和更大、更有挑战性的PASCAL VOC 2012分割数据集上设计实验,全面验证该方法的评价性能。实验结果表明本文提出的方法具有很不错的分割效果,在不借助Ground Truth的情况下,对目标对象的分割有很高的准确度。其中本文算法的分割结果比参考分割层的效果要好。在此基础上,为了改进分割质量,研究K-means算法的原理,提出了一种的基于K-means分类的图像目标分割的方法,对于种子区域使用Kmeans重新分类。为了展示本算法的提升情况,在PASCAL VOC 2012分割数据集上进行了实验比较,结果表明,新提出的方法能够提高分割质量,其中当K值设置为2时,分割效果最好。