| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1. 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文工作与组织结构 | 第13-15页 |
| 2. 概率图模型 | 第15-27页 |
| 2.1 基本的概率图模型 | 第15-17页 |
| 2.1.1 有向图模型 | 第15-16页 |
| 2.1.2 无向图模型 | 第16-17页 |
| 2.2 混合概率图相关模型 | 第17-19页 |
| 2.3 概率图模型中的参数学习 | 第19-21页 |
| 2.3.1 有向图模型中的参数学习 | 第19-20页 |
| 2.3.2 无向图模型中的参数学习 | 第20-21页 |
| 2.4 概率图模型的结构学习 | 第21页 |
| 2.5 概率推理 | 第21-26页 |
| 2.5.1 因子图 | 第22-24页 |
| 2.5.2 混合模型中的因子图表示 | 第24-26页 |
| 2.6 本章小结 | 第26-27页 |
| 3. 基于马尔科夫随机场和贝叶斯网的混合图模型的图像分割 | 第27-40页 |
| 3.1 基于超像素的马尔科夫随机场的构建 | 第27-29页 |
| 3.2 基于过分割的贝叶斯网的构建 | 第29-33页 |
| 3.3 混合概率图模型的构建 | 第33-34页 |
| 3.4 用混合概率图模型的推理 | 第34-36页 |
| 3.5 实验结果与分析 | 第36-39页 |
| 3.5.1 算法步骤 | 第36页 |
| 3.5.2 实验结果 | 第36-38页 |
| 3.5.3 结果分析 | 第38-39页 |
| 3.6 本章小结 | 第39-40页 |
| 4. 结论与展望 | 第40-41页 |
| 4.1 结论 | 第40页 |
| 4.2 展望 | 第40-41页 |
| 参考文献 | 第41-45页 |
| 附录：攻读学位期间发表的学术论文 | 第45-46页 |
| 致谢 | 第46页 |