图像分割是图像分析的一个基本步骤，同时也是图像信息处理的难点和热点研究问题之一。图像分割结果的好坏直接对后续的图像分析和理解产生重要影响。目前，常用的图像分割方法包括阈值分割、边缘检测、区域生长、神经网络、支持向量机(SVM)、模糊聚类等。SVM不仅采用了结构风险最小化原则，而且还综合了神经网络、统计学习理论等方面的知识。SVM已被证明在解决小样本、高维以及非线性化的模式识别问题中具有较好的优势。近来，采用SVM的图像分割方法已引起了许多学者的关注。本课题研究发现，经典的基于SVM的图像分割方法仅使用灰度特征来构成输入的特征样本，忽略了图像纹理和边缘锐变信息。然而，对于一幅纹理信息丰富、目标区域边缘对比度低的图像而言，仅依靠灰度特征难以完全表征目标的整体特征，此时采用经典的SVM图像分割方法难以得到令人满意的分割效果。针对上述问题，本文主要研究工作如下：(1)在分析了频域相位信息和纹理信息在表征图像特征方面的重要性之后，提出了一种结合相位一致和纹理特征的SVM图像分割方法。该方法首先提取图像的相位一致性统计特征、纹理特征和灰度特征，其中相位一致性统计特征由均值、方差、偏度、峰度和熵来描述，纹理特征由能量和频域方向性来表征，灰度特征由灰度像素值构成，然后将它们组合成多维特征样本向量，最后采用SVM分类方法对图像进行分割。(2)将新方法与经典的SVM图像分割方法和Canny边缘检测方法进行对比实验分析。实验结果表明，该方法比经典的SVM图像分割方法更有效，尤其适用于图像中目标区域的边缘对比度低和纹理信息丰富的情形。同时，当图像中目标区域的边缘对比度较低时，该方法避免了Canny边缘检测方法容易出现将目标的阴影当成边缘的情形。