混合图像分割算法所包含的两个部件中，初始分割不能形成低误分割率的过分割区域集，而区域合并存在缺少区域合并标号选择机制，且存在确定区域合并停止时刻的方式常不满足场景需求的不足。针对以上问题，提出一种基于多级区域信息融合的混合图像分割算法（MRIHS）。首先，使用改进的马尔可夫模型平滑超像素块，以形成初始分割区域；其次，在对初始分割区域进行相似性度量并选定待合并区域对后，利用设计出的区域标号选择机制来选定合并后的区域标号；最后，定义一种最佳合并状态以确定合并停止时刻。为验证MRIHS性能，在视觉对象类别（VOC）、剑桥驾驶标签视频数据库（CamVid）、自建的河湖巡检（rli）数据集上，将其与基于多维特征融合的混合图像分割算法（MFHS）、改进的基于区域合并的FCM图像分割算法（IFRM）、基于段间和边界均质性的混合图像分割算法（IBHHS）、基于多维色彩变换与一致性的混合图像分割算法（MCCHS）进行对比。结果表明：MRIHS在VOC、rli数据集上的边缘召回率（BR）、可达分割精准度（ASA）、查全率、重合率至少分别比其余算法提高了0.43个百分点、0.35个百分点、0.41个百分点、0.84个百分点；欠分割误差（UE）至少减少了0.65个百分点。在CamVid数据集上，MRIHS的查全率、重合率指标至少比其余算法提高了1.11个百分点、2.48个百分点。

针对传统的基于启发式搜索的多标记特征选择算法时间复杂度高的问题，提出一种简单快速的多标记特征选择（EF-MLFS）方法。首先使用互信息（MI）衡量每个维度的特征与每一维标记之间的相关性，然后将所得相关性相加并排序，最后按照总的相关性大小进行特征选择。将所提方法与六种现有的比较有代表性的多标记特征选择方法作对比，如最大依赖性最小冗余性（MDMR）算法和基于朴素贝叶斯的多标记特征选择（MLNB）方法等。实验结果表明，EF-MLFS方法进行特征选择并分类的结果在平均准确率、覆盖率、海明损失等常见的多标记分类评价指标上均达最优；该方法无需进行全局搜索，因此时间复杂度相较于MDMR、对偶多标记应用（PMU）等方法也有明显降低。