针对人体分割这个富有挑战性的问题，结合了人体模型、PS模型，提出了多种能够处理旋转、姿态、光照以及复杂背景等问题的人体分割算法。通过在公开的图像库上的测试，验证了算法的有效性，并且都已发表于一流的国际会议及学术期刊。.1. 基于人体模型的层级式人体分割方法。该方法使用人脸信息为指导，利用改进的躯干模型对人体躯干进行检测，然后在检测的躯干中提取图分割(graph cuts)所需的躯干种子点以完成对上半身的分割。根据上半身的分割结果，使用设计的腿部上半肢模型对腿部的上半肢进行检测，然后利用下半肢的区域获得下半身的前景种子点来完成对下半身的分割。.2. 基于参考信号独立成分分析的人体分割方法。我们提出的基于ICA-R的框架假设图像中的人体都为直立正面的人体，则通过人脸检测技术，可以较为容易的获得人脸信息，从而，我们利用一个简单的躯干模型检测人体躯干，然后在躯干中获得参考信号，最后使用得到的参考信息实现上半身的分割。下半身的分割和上半身相似，通过对下半身参考信号的估计，从而完成下半身分割。.3. 基于EM算法的自动式人体分割方法。使用图结构(Pictorial Structures, PS) 模型图像中的人体姿势进行估计，得到人体姿势的概率图。在概率图的基础上，使用设计的EM 算法对概率图进行细化，最后在细化概率图的基础上使用图割的方法得到人体分割。.4. 基于层级树人体分割方法，将基于单个人体部分的模型进行扩展，将单个人体部分周围的人体部分加以考虑，使得检测器的准确率更高。不仅如此，我们将扩展后的模型和树中的节点进行对应，并将整个人体姿势建模为树中从根节点到叶子节点的加和，获得人体姿势的全局最优解。.5. 基于分割一致性的人体分割与姿态估计方法。利用Adaboost分类器在图像中各个位置和方向检测各个部分，得到每个部分的评价得分。根据人体的运动学关系，建立各个部分之间的空间位置分布关系。接着，由图像中检测的信息和位置先验，通过sum-product算法进行消息传递，得到置信分布。每个部分都选取后验概率最大的N个候选作为采样样本。根据区域位置与关系计算其权重。然后，对图像进行过分割，得到一系列的超像素。用原先得到的候选估计出各超像素的前景分布。最后，将人体各部分和各个超像素以及它们的边界关系建立一个线性能量函数，使得人体分割和姿态估计同时达到最优。