随着科学技术的高速发展,互联网信息呈现爆炸式的增长。而图像作为信息的主要载体之一,包含着多样信息的同时也丰富了人们的生活。图像分割作为计算机视觉和多媒体处理的基础研究工作,在过去几十年间发挥了重要的作用,众多应用对分割的需求由单幅图像分割向图像间协同分割方向发展,即图像协同分割问题。图像协同分割发展了将近十年的时间,众多的协同的协同分割算法被提出并应用于实际问题。而从多幅图像中提取出共同对象是一个很有挑战性的任务,传统协同分割算法对于背景图像相似、前景对象复杂这样的图像具有比较弱的分割效果,同时应用于实际问题也暴露了性能不足的弊端。因此,对于协同分割问题的研究具有重要的意义。协同分割算法包括两大核心问题,一个是行之有效的协同分割模型,另一个是高效的模型优化算法。因此,本文基于主动轮廓从以下两个方面来解决协同分割问题:(1)有效的协同分割模型:本文基于原有的主动轮廓分割算法,提出一种基于主动轮廓和图像显著性的协同分割算法。主动轮廓是一种经典有效的图像分割算法,对于范围广泛的视觉问题给出了统一的解决方案,同时图像显著性能够提供更多的前景信息。因此,本文在主动轮廓的能量函数里引入图像的显著性特性,理论上可以达到更好的分割效果。(2)高效的模型优化算法:在主动轮廓算法中,一般采用水平集优化算法来进行求解,但仍无法满足协同分割问题中的性能需求。因此,为了进行加速,本文基于传统的水平集算法,结合超像素加速技术,层次计算和收敛判断提前终止迭代,提出一种更高效的基于超像素和层次计算的水平集优化算法。为了验证算法的效果和性能,本文在协同分割公共数据集iCoseg和MSRC上进行对比测试。实验结果表明:1)本文提出的基于主动轮廓和图像显著性的协同分割算法在两个数据集上都有最低的平均错误率,主观分割效果和客观数据表明主动轮廓加入显著性信息能够有更好的分割效果。2)本文提出的基于超像素和层次计算的水平集优化算法能够大大加快模型的求解速度,能够比传统的水平集优化算法快几十倍,同时能满足实际的应用需求。