在困难的目标分割任务中，仅利用图像信息是不够的；为了获得具有竞争力的分割性能，需要结合目标形状先验模型。大多数包含形状和图像信息的公式都是以能量函数优化问题的形式出现的。本文介绍了一种用于分割图像中多个目标的贝叶斯潜在标记泊松过程。该模型考虑了形状和图像特征/外观，它从空间泊松过程中生成对象位置，然后从形状先验模型中生成形状参数作为潜在标记。由此推断，这会对图像进行分区：假设对象内部的像素是从对象观察/外观模型生成的，而对象外部的像素则来自背景模型。泊松过程为物体位置提供了（非均匀）空间先验信息，标记允许合并形状先验信息。我们开发了一种混合吉布斯采样器，用于解决模型顺序的变化和在这种情况下出现的非共轭性，并在合成图像和真实图像中的两个不同领域上展示了实验结果：生物图像中的细胞分割和交通图像中的行人和汽车检测。