近年来,计算机视觉领域的图像分割技术已经广泛地应用于目标检测和众多图像处理任务中。研究人员已经研究探索了众多图像分割技术,其中基于超像素的图像分割技术由于可以更好的获取分割区域之间的细小差异、对于自然图像具有获得多尺度和多样化的分割模式、以及比像素级别的图像分割具有更高效率的优点,因此基于超像素的图像分割技术仍然具有很大优势。本文的目的在于改进原有的基于人工设计像素特征提取超像素的算法产生高质量的超像素,再通过合并相似超像素实现对图像的分割,从而提高图像分割精度。算法从预训练的卷积神经网络中提取像素特征来代替人工设计的像素特征用于提取超像素。同时,该方法将提取的像素特征与原始像素的颜色特征以及位置空间特征进行结合用于提高超像素质量。实验结果表明,使用更好的初始化聚类种子点可以极大地提升分割效果。因此,算法使用了一次K均值聚类算法对聚类中心点进行初始化,随后算法使用主动搜索技术对相似像素进行聚类,从而产生高质量的超像素。在获取到超像素后,算法使用一种谱聚类算法,对相似的超像素再次进行聚类得到最终的图像分割结果。实验结果表明这种算法克服了传统谱聚类算法的缺点并且提高了图像分割的质量。整个过程包括:超像素的生成、以超像素作为图结构的结点并使用加权无向图来计算相似度矩阵、合并相似的超像素产生图像分割结果三部分。在BSDS500数据集上的实验结果显示,与现有最优的图像分割算法相比,该方法在分割效率和分割质量上都取得了很好的效果。从实验结果的定性分析也可看出,算法产生的图像分割质量较高。因此,该算法在图像分割领域是十分有效的。