图像分割在目标跟踪、运动捕捉、图像检索、三维重建以及视频分析等诸多应用中均发挥着重要作用。近年来,图像共分割方法(Co-segmentation)成为图像分割领域的研究热点之一。由于描述同一目标的多幅图像间一般具有强关联性,图像共分割方法利用这种强关联性同时从多幅图像中提取出同一目标,有助于更准确地分割出目标物体。现有的图像共分割方法主要以彩色图像为处理对象,对于前背景颜色相近的场景仍难以分析。随着RGBD采集设备的推广普及,RGBD图像分析也受到了很多研究者的关注。本文将RGBD图像分析与图像的共分割算法相结合,有效地解决了图像前背景颜色接近时的目标提取问题。本文借助Biased Ncuts(Biased Normalized Cuts)算法将图像共分割转化为图划分问题,并在图建模时将超像素块代替像素作为图的节点,降低了图划分问题求解时的时间开销。具体来说,本文主要的研究工作和创新点如下:(1)提出RGBD图像的超像素分割算法。该算法在原有RGB图像的超像素分割算法SLIC(Simple Liner Iterative Clustering)的基础上,融合深度信息对聚类过程中距离度量进行约束,从而得到较为紧凑且边界更加明确的超像素块;(2)提出结合显著性检测的种子点扩散算法。该算法在通过用户简单交互获得少量种子点的同时,结合RGBD图像的显著性检测增加在被交互图像中的种子点数,并自动地将种子点扩散到其他未交互的图像中。实验结果表明种子点数的增加使得BiasedNcuts算法的求解更倾向于目标物体;(3)提出基于图割的RGBD图像共分割算法。该算法综合了前述的RGBD图像超像素分割算法和种子点的扩散算法,基于Biased Ncuts算法求解出共分割结果,并进一步结合深度图像来优化分割结果。实验结果验证了算法的有效性。