图像分割是图像处理中的一项基本而又关键的技术,是目标识别和图像解释的前提,多年来一直受到广泛关注。图像分割问题的典型定义就是如何在图像处理过程中将图像中的一致性区域和感兴趣对象提取出来。本文以图像分割中最常见和最基本的技术——静态图像分割为研究背景,主要研究了Mean Shift图像分割方法和基于图论的图像分割方法。Mean Shift图像分割方法是一种统计迭代的核密度估计方法。Mean Shift算法以其简单有效而被广泛应用,但该方法在多特征组合方面和数据量较大的图像处理上仍存在不足之处,本文针对这些问题对该算法的结构进行了优化。首先,本文利用图像上下文信息对图像进行了区域合并以此来对输入数据进行了压缩;其次,本文将Dempster-Shafer理论(简称D-S理论)引入到核密度计算来实现特征空间中所有特征量的优化组合;最后,本文对这种改进的Mean Shift图像分割算法的性能进行了比较研究。基于图论(Graph Theory)的分割是图像分割领域的一类重要方法,本文主要探讨了基于图割值的图像分割方法并对各类基于图论的分割方法进行了对比研究。归一化图割方法(Normalized Cuts)是基于图论的图像分割方法之一,该方法将图像分割问题转化为特征值求解问题。在Normalized Cuts中的一个重要问题就是如何描述图像上下文信息。本文在区域合并的基础上构建了区域邻接图并通过一种相似性度量方法来确定图像的上下文信息且将分割结果应用于建立图像分割树。本文最后通过将图像分割方法应用于实际系统中来对本文所研究的两种图像分割方法进行比较研究并总结出了这两种方法的特点和应用效果。