随着计算机视觉领域研究的深入,对象类图像分割（也称对象分割）逐渐成为近年来图像分析、计算机视觉领域研究的重要问题之一,并不断推动和促进互联网搜索、智能家电、智能交通和自动驾驶汽车等相关领域的技术和产业的发展。本论文主要依据贝叶斯理论并结合随机场模型,研究基于有监督的非参数化的对象分割模型及其算法。本论文的主要内容和创新点主要有以下几个方面,1.提出了一种新的基于分层狄里克雷过程的非参数化判别模型来解决对象分割问题考虑到分层狄里克雷过程（Hierarchical Dirichlet Process,HDP）模型和隐条件随机场模型各自的特点,本论文一方面采用隐条件随机场模型（Hidden Conditional Random Field,HCRF）模型描述图像底层特征与语义对象的映射关系,并通过隐变量定义复杂的势函数,以期在实现对样本聚类的同时引入观测数据在空间上的平滑性约束。另一方面,通过引入HDP作为先验分布构造一种非参的判别模型用于描述多组结构化数据（如不同的输入图片）。这样,通过采用共享隐变量的假设,本论文将生成性的HDP模型和判别性的HCRF模型结合起来,提出一种新的判别性的非参数化随机场模型,即HDP-HCRF模型。该模型除能够实现对单幅图片中多类对象的分割外,亦可用于解决多输入图片的对象分割问题。2.提出了一套用于解决含隐变量的有监督非参数化模型的最大条件似然估计及其推理算法考虑到常用的EM （Expectation Maximization,EM）算法和对比散度（Contrastive Divergence,CD）算法都不能很好的解决含隐变量的HDP-HCRF模型在训练中的最大条件似然估计问题,因此本论文借鉴蒙特卡罗 EM （Monte Carlo Expectation Maximization,MCEM）算法推导出条件蒙特卡罗EM （Conditional MCEM,CMCEM）算法,并给出了其在线形式。由于HDP-HCRF模型结构简洁,减少了各部分的耦合性,因此便于采用迭代更新的训练方式,从而提高了算法对不同类型的具体问题的适应能力。另一方面,由于存在非参数化的HDP模型,即隐变量的状态可以有无限多取值,而与其相关的模型参数也自然的被推广到无限维,因此为减少计算量本论文将利用随机场模型的伪似然和树结构表示分别对优化目标函数作近似展开;此外,本论文在后者的目标函数中又引入关于参数的L1正则项,以减少模型的过拟合问题。3.在HDP-HCRF模型中引入高阶项,并给出其BMRM解考虑到对象分割属多分类问题,而且一幅图通常包括一类（甚至几类）对象的多个实例,为进一步描述图中同一对象的不同实例间的相关性以增加平滑隐状态的取值在空间上的平滑性。本论文又通过隐变量在HDP-HCRF中引入更高阶势函数。为避免配分函数的计算,给出了类似max-margin的最大边缘后验解及其基于正则化风险最小的束方法（Bundle Methods for Regularized Risk Minimization,BMRM）算法的训练过程及其推理。在不同数据集的实验结果同样表明,我们提出的模型和算法可用于解决对象分割问题,且性能优于常用的基于超像素的对象分割算法。