视觉信息在人类接受的信息中约占83%,尤其是在大数据时代,作为视觉信息的主要载体,图像、视频的有效处理和分析非常有价值。而图像分割是辅助视觉信息智能化处理、图像内容理解的研究热点和基础性问题,它在建立底层特征与高层语义联系中有承接作用。经过几十年的研究探索,研究人员提出来大量的图像分割方法,但是图像分割仍然普遍存在时间复杂度高、分割精度有待提高、目标语义难以自适应提取等问题。其中,图像前景分割是图像分割的一个特例,针对图像前景分割中的效率和精度问题,本文做了两方面研究。针对大多数图像前景分割的时效性低、需要人工标记三分图(Trimaps)的问题,本文提出了一种基于超像素GrabCut和图像Matting技术的交互式快速前景分割算法。特别地,首先应用超像素分割算法对图像进行预处理,然后利用GrabCut分割超像素图像并获得粗略超像素图像的Mask。接着,本文又提出一种快速自适应的Trimaps生成算法(FATs)。最后,通过应用图像Matting技术交互式迭代处理得到最终改善的前景Mask。实验在BSDS500和Alphamatting数据库上定性和定量地证明了提出算法的有效性,在视觉表观,MSE,SAD和E-Time等综合指标上都优于对比算法。针对图像Matting问题,本文提出了基于流形学习思想的图像Matting框架,命名为片对齐流形Matting(PAMM)。首先提出了图像颜色空间的局部部分模型,然后将颜色局部流形子空间共享到Alpha子空间,并通过全局对齐优化得到逼近Alpha空间的重构误差公式。最后,应用高效Nesterov算法来迭代求解该优化问题。作为流形Matting框架的一个应用实例,本文也提出了一些新的流形Matting算法,如ISOMAP Matting和Boosting ISOMAP Matting(BIM)。我们把Alphamatting作为实验数据库,因为该数据库提供了用于Matting对比的公开的公用Trimaps。实验结果验证了流形Matting框架的有效性。另外,因为ISOMAP能够很好地处理非线性数据分布并保持像素类别的判别性,因此实验从定性和定量两方面证明了ISOMAP Matting和BIM的最好表现。