图像目标检测是图像工程中一个重要而基本的问题,也是机器视觉的一项关键技术.目标检测的外延很广,从静态图像分割、目标提取到动目标的检测、识别与跟踪都属于这一范畴.但是无论是静态图像目标的提取还是运动目标的识别与跟踪,其前提与基础是良好的图像分割技术.分割结果的好坏对检测结果影响很大,决定了视觉系统的性能.因此,图像分割是检测技术的核心,对于静态目标定位和动态目标跟踪与识别具有十分重要的意义.由于图像目标及其边缘的模糊性,经典数学理论无法准确描述图像所含信息,使得传统的图像分割技术遇到挑战.鉴于模糊理论对不确定性和含糊性具有优秀的描述能力,基于模糊理论的图像目标分割方法成为研究图像分析和处理的热点.模糊集隶属函数确定的困难性使经典模糊图像分割技术能力有限。Ⅱ型模糊集又因为其构造复杂、计算量大等特点,其实用性受到制约.因此,人们转而探索Ⅱ型模糊集的特例——区间值模糊集(IVFS)的相关理论及其应用.本文在研究了几种常见的区间值模糊集度量的基础上,提出一种新的IVFS的模糊熵度量,研究了其性质及其在图像分割中的应用,实验验证了新的IVFS模糊熵度量的良好图像分割能力.基于模糊理论的图像分割技术主要包括基于模糊熵度量的分割和基于模糊聚类的分割.将二者有机结合起来研究图像分割问题的工作很少.为此,本文引入高斯核函数构造描述图像像素在图像空间分布的概率密度函数,并成功应用于低照度、低对比度条件下弱小目标和点目标检测.其次,将图像像素的概率密度分布作为属性引入到模糊C-均值(FCM)算法中,经过形态学处理技术成功地提取了水下图像目标。最后,结合模糊熵与模糊聚类技术提出了一种新的图像分割技术,仿真实例验证了该算法的有效性.本文的具体研究内容包括：一、研究了区间Ⅱ型模糊集的熵,给出了新的区间值模糊集熵的度量,并将新的模糊熵应用于图像分割.二、针对弱小目标(或点目标)提出一种新的基于图像像素概率密度分布的快速目标检测方法.三、结合形态学理论,研究了基于概率密度分布属性的FCM图像目标检测算法.四、给出了一种新的确定区间值模糊集上、下隶属度的方法,并结合新构造的区间值模糊熵构建了新的FCM图像目标检测算法.