图像分割是计算机视觉的基本问题之一,对图像进行分割的目的是将目标从背景之中提取出来,使得后续算法更专注于目标物体,从而提高算法的速度和精度。经过几十年的发展,图像分割算法已经趋向成熟。在已有的大量的图像分割算法中,不同算法由于侧重的方向不同,对同一幅图像的分割结果往往也存在着一定的差异。这并非只是由于分割算法不精确所导致的,更是因为不同的图像分割算法侧重于表达目标的不同属性。如何更好利用这些丰富的信息成为图像分割领域的一个新的研究方向。同时,如何根据图像分割结果进行后续的目标检测与识别,也是研究人员的关注点之一。为了解决不同图像分割算法结果之间的差异性,提高分割算法精度,本文首先总结了几种图像分割方式,并通过超像素的形式对这些分割算法所得到的结果进行描述。同时,通过颜色直方图、形态学信息、不变矩信息及标定信息对这些超像素进行特征度量。为了提高图像分割算法的精度,本文提出一种基于标定信息与超像素距离的非监督型图像分割算法。算法首先使用均值漂移、图割法及基于Gabor滤波的纹理分割等三种分割算法生成初始分割结果。然后,对这些分割结果进行基于LDAPPA算法的聚类融合,得到最终的分割结果。本文提出的算法相较于九种基准分割算法,在PRI和BDE两种分割精度指标参数上居于首位,并且与其他算法在数值上拉开了一定的距离。同时,本文将改进的分割算法应用在红外目标检测和识别领域,针对特定场景下红外目标的检测与识别问题进行了研究,提出了两种特定场景下红外目标识别算法。根据输入图像的场景特征,算法首先采用不同的分割算法进行ROI(Region of Interest)提取,然后对分割结果进行特征筛选,得到初步检测结果,最后使用基于Radon变换的匹配算法对特定目标进行识别,实现了分割算法的工程应用。相较于基于学习的目标检测与识别算法,本文提出的算法具有强的鲁棒性。