图像抠图技术用于提取图像中用户感兴趣的前景物体，是图像和视频处理领域中的一项基础技术。传统的蓝屏抠图技术相对成熟，抠图效果好，但对背景有限定要求，且实验条件较苛刻。自然图像抠图对背景没有任何的限制条件，其着力于处理毛绒物体和半透明物体的提取问题。本文针对自然图像抠图中存在的问题，提出了两种改进算法。具体工作如下：　　首先，谱抠图基于图割的方法实现自动抠图，抠图结果鲁棒性不强。本文在谱抠图算法的基础上，提出一种基于显著性检测的自动抠图算法。提出的算法主要分为三个步骤：步骤一，利用显著性检测算法检测出前景物体的大致位置，像素的显著性值作为抠图的先验约束；步骤二，构建图像的拉普拉斯矩阵，利用谱聚类的性质以及抠图的模型假设，构建抠图方程。用牛顿迭代法求解方程，获得抠图掩码层。利用显著性信息对抠图掩码层进行初步分类；步骤三，排列未知抠图掩码层，通过抠图能量方程求出最优组合，获得最终抠图掩像。本文对显著性检测算法作了相应改进，利用反馈方式，提高了整个算法的鲁棒性。实验显示提出的方法在掩图精度和算法计算时间上，相比其它基于谱抠图改进的算法有所改善。并且和流行的抠图算法相比，本文提出的方法在鲁棒性上也具有可比性。　　其次，谱抠图算法扩展谱分割算法获得抠图掩码层，基于少量的前景/背景约束就能获得初步的抠图结果。但当算法局部颜色线性模型假设失效，或者拉普拉斯矩阵未能正确聚类混合像素时，抠图掩像准确性下降。本文利用局部采样估计对谱抠图算法进行优化,提出了一种基于少量用户交互就能取得鲁棒抠图结果的算法。该算法主要分为三个步骤：步骤一，利用谱抠图算法获得抠图掩码层；步骤二，基于少量的用户输入获得初步结果。搜索需要优化的像素，包括物体边界像素和混合像素，并重建三分图；步骤三，基于重建三分图进行采样估计，经过平滑优化函数后获得最终抠图掩像。实验显示提出的方法有效地减少了人工交互工作量。通过局部采样优化，算法鲁棒性有所提升。