图像分割能够按照某一特征把图像分成若干具有一定意义的、互不交叠的区域,是由图像处理前进到图像分析的关键一步。图像分割的质量将直接影响对图像的后续处理,所以图像分割被视为图像处理的瓶颈,具有十分重要的意义。图像分割是一种重要的和关键的图像分析技术,对图像目标进行提取、测量等都离不开它,图像分割的结果是图像特征提取和识别等图像理解的基础,对它的研究一直是图像技术研究中的热点和焦点。本文针对图像的分割问题进行了以下的研究。本文综合考虑了图像中像素的灰度分布信息,以及像素的邻域平均灰度信息,提出了基于带有邻域平均灰度信息的Parzen窗图像分割算法(即NPW图像分割算法)。从而使得此算法在图像的质量较差时,仍然可以取得较好的分割效果。但是此算法需要在图像的二维灰度空间里进行遍历搜索,因此算法复杂性高而且运算时间长。为了解决这个问题,提出了基于过渡区和粒子群优化的NPW图像分割算法(即TPNPW图像分割算法)。TPNPW图像分割算法采用了过渡区技术来缩短NPW图像分割算法的运算时间。同时,为了更进一步的缩短NPW图像分割算法的运算时间。TPNPW图像分割算法还使用了粒子群优化来加快搜索的速度。根据所做的对比实验和对实验结果的分析,可以得出TPNPW图像分割算法对质量较差的图像仍然能够取得较好的分割效果并且能够满足一般环境下对实时性的要求。本文考虑到基于不同理论的图像分割算法在图像分割效果中的互补性,提出了将不同理论的图像分割算法进行融合的Q学习阈值融合分割算法(即FQ图像分割算法)。从而达到提高算法普遍适应性的目的。FQ图像分割算法综合考虑了三种判别分割图像质量的评价指标(即区域间对比度,区域内部均匀性,形状测度)来构造积累回报函数。并以获得最大积累回报为准则来调整不同分割算法的权值。从而使FQ图像分割算法取得更好的分割效果和普遍适应性。FQ图像分割算法中使用了粒子群优化来加快算法的运行速度。实验结果表明FQ图像分割算法,不仅分割性能优于单一图像分割算法,而且具有良好的普遍适应性。最后,本文对研究工作进行了总结,提出了今后进一步的研究方向。