中文摘要：

随着互联网的快速发展，大量网络图像随之出现。与普通数字图像不同的是，网络图像具有数量大、种类多、包含多种语义标签（tag）等突出特点。然而，现有分割方法在处理大量网络图像分割时存在着诸多不足，包括对彩色图像与纹理图像采用截然不同的分割策略，缺少通用的处理途径；部分算法重要参数过于依赖用户输入，不适于自动处理大量的网络图像数据；对网络图像的各类语义标签利用不充分等。针对以上问题，本课题将（1）扩展传统随机场分割模型，建立适用于通用图像分割的新型自相似随机场模型SSRF的理论和优化算法基础；（2）提高基于SSRF模型的通用分割算法非参数化程度，重点解决分割类别的自确定问题；（3）提出针对由标签所引入的多种弱监督分割约束的通用融合方法。本课题的研究将能够提高面向大量网络图像的分割性能，并在理论和实际两方面为更加智能的图像分析与应用打下坚实基础。

结论摘要：

随着互联网的快速发展，大量网络图像和文本数据随之出现。与普通数字图像和媒体数据不同的是，网络图像和文本具有数量大、种类多、包含多种语义标签(tag)等突出特点。然而，现有分割方法在处理大量网络图像和文本分割时存在着诸多不足，包括算法重要参数过于依赖用户输入，不适于自动处理大量的网络图像和文本数据；对网络图像的各类语义标签利用不充分等。针对以上问题，本课题重点研究了以下三方面内容 (1) 扩展传统随机场分割模型，建立适用于通用图像分割的新型自相似随机场模型SSRF的理论，并提出基于扩展亚超模态优化的ESSP算法，取得了在相同优化精度下更快的收敛速度； (2) 提高基于SSRF 模型的通用分割算法非参数化程度，重点解决了图像和文本故事分割中的类别自确定问题，同时兼顾了对分割精度和数据标识成本的性能； (3)提出针对由标签所引入的多种弱监督分割约束的通用融合方法，并将其成功应用于图像和文本分割问题中。 本课题的研究有助于进一步提高面向大量网络图像和文本数据的分割性能，并且在理论和实际两方面为更加智能的网络图像和文本分析奠定基础。