随着信息技术的迅猛发展,图像处理技术在诸如军事防御、医疗诊断、气象监测等领域发挥着越来越重要的作用。作为一种基本的计算机视觉技术,图像分割是图像处理的关键技术之一,其分割效果的好坏直接影响图像分析的性能。现有的图像分割方法在实际应用中存在较大的局限,如目标分割不精确、分割耗时、过多人工干预等,因此图像分割一直是计算机视觉技术中的难题之一,也是近年来国内外专家学者研究的热点。本文研究的是彩色图像目标的分割方法,目的是通过一种有效的分割方法提取出彩色图像的前景目标。本文介绍了彩色图像分割的基本理论和常用方法,提出一种以像素块为单位的分割方法,相比传统像素域的分割方法,该方法的分割速度大幅提升；加入了学习机制,用分割准确率更高的“软分割”代替了传统的“硬分割”,提高了分割的准确率；提出了约束最小生成树生长算法,改善了传统最小生成树生长算法带来的分割不精确问题。本文研究内容主要由块特征提取、种子点自动标记和区域生长三部分构成,具体方法如下：将图像集分为训练集和测试集,在块特征提取阶段,对每幅图像进行分块,每块为若干像素的集合,提取每个像素块的颜色矩及部分DCT系数作为像素块特征；在自动标记阶段,对训练集中每个特征进行类别(前景目标或背景)标记,利用支持向量机对特征向量进行训练,通过训练后得到的模型对测试集中每个特征向量进行类别的标记,再通过离群点三层监测模型过滤离群点;在区域生长阶段,将前一阶段标记为前景目标的像素块作为根节点构造约束最小生成树,之后通过约束最小生成树的合并算法实现区域的生长,得到最终的分割区域。本文在Corel数据集上对该分割方法进行了验证,实验证明该方法具有较高的分割准确率,而且可以应用于不同类别的图像,不会因领域知识跨度大而受干扰,具有一定的理论指导意义和工程应用价值。