图像分割作为许多图像处理技术分析和处理的前提，是图像处理领域中一个十分经典的研究热点。由于图像的成像原理、光照条件、成像设备、背景环境等诸多因素的影响，使得从背景中提取感兴趣的目标具有相当的难度，因此图像分割技术至今仍是一个研究难点。而阈值分割技术因其简单的实现原理、较好的分割效果以及较高的实时性表现，在工业质量检测、医疗辅助诊断、军事目标侦测、文本图像处理等领域有着十分广泛的应用。研究工作者们针对不同领域中的不同问题，提出了大量的图像阈值分割算法。其中，最大类间方差算法以其较强的理论基础和理想的分割效果，受到了众多学者的青睐，涌现了大量卓有成效的改进算法。本文在深入研习了诸多最大类间方差改进算法的基础上，针对其存在的一些不足，从图像预处理、单阈值分割、多阈值分割三个方面分别做出了相应的分析和改进，具体的改进方法如下：(1)针对图像灰度直方图中所包含的锯齿和毛刺信息，影响阈值定位和算法运行效率的问题。本文对大量的图像灰度直方图进行了细致的观察和实验分析，给出了一种直方图中锯齿和毛刺信息的定义，而后根据该定义对直方图中的灰度值点进行过滤，将锯齿和毛刺灰度值及其邻域内灰度值的频数进行相应的调整，以使调整后的直方图在保留有效信息的同时，尽可能的平滑。(2)现有的最大类间方差改进算法，只考虑到了直方图中波谷灰度值对阈值定位的影响，而并未注意到波谷的定义本身就是一种相对概念，其是相对波峰而存在的，因此，本文在最大类间方差算法的基础上，引入了对直方图中波谷灰度值及其相邻波峰灰度值的相对关系的考虑。理想的阈值应该是那些波谷特征十分明显的灰度值，即理想阈值是与其临近的波峰灰度值具有较大频数差异的波谷灰度值。这样就可以避免算法获取的阈值仅受到灰度值频数大小的影响，而趋于那些频数较小的非波谷灰度值点，导致分割失败。最后本文以伯克利图像库为样本集进行了大量实验，并与基于最大类间方差算法的改进算法进行了对比，充分验证了本文算法的分割效果和性能。(3)为了在保证阈值定位准确性的同时，提高算法的运行效率，本文提出了一种快速递归多阈值分割算法。首先，以本文提出的单阈值分割算法为基础，递归地进行单阈值分割，形成初始的阈值集合。然后，对集合中的候选阈值，按照一定的规则进行筛选，以优化阈值数目和分割结果。最后，以哈佛大学医学图像库为样本集，对大量的脑部MR图像进行对比实验，并从定性和定量两方面对分割结果进行了分析，确保了算法的适用性和有效性。