作为人工智能研究领域中一个非常活跃的分支,图像理解是传统计算机视觉研究任务的扩展和延伸,而为了更快速准确的进行图像理解,各种各样的图像分割方法层出不穷。图像分割一般作为图像理解领域的预处理步骤,通过将图像分割成互不重叠的各个区域,从而降低图像理解的难度。针对常规图像分割或者运行缓慢或者分割效果不理想等问题,结合图像边界信息提出了一种简单快速的基于超像素的图像分割方法。分割过程主要分为边界信息提取,超像素生成以及超像素融合三大部分。在边界信息提取部分,在传统方法和深度学习的方法中各自选用了一种综合性能最好的边界提取算法,以在实验中验证边界提取算法对分割结果的影响;在超像素生成部分,根据得到的边界信息改进了原有的超像素生成算法,提高了生成超像素的边界一致性,从而使分割结果更精确;在超像素融合部分,首先通过计算区域颜色特征的卡方距离,强化图像边界信息,然后通过强化后边界信息连接两相邻超像素块,进而使用一种基于贪心策略的层级合并算法融合超像素,并最终完成图像分割。实验结果表明,结合边界信息改进的超像素生成算法确实比原有的超像素生成算法在边界一致性上有所改进,在边界召回率上最高能提升5%以上,并且最后能达到的分割精度也更高,基于超像素的图像分割方法和已有的分割方法相比,分割覆盖率最高能提升4%,分割速度也能提升10秒以上。