图像识别和目标检测一直是图像处理领域的关键技术,其中最为重要的是特征提取和图像分割,其在理论和应用方面都有极高的研究价值。因此,本文针对图像识别和检测方面的关键技术——特征提取、图像分割展开研究,提出了一系列新算法。在特征提取方面,本文重点研究数学形态学的特征提取方法。对特征提取方法中的计算复杂性、特征鲁棒性和几何特征属性展开研究。提出了点结构元和对称圆结构元的特征提取方法。在简化形态学运算、增强形态学特征表示及不同结构元等价性等方面做出了贡献。其中部分结果在形态学运算方面具有一定的普遍性,除在特征提取方面具有良好特性,在其它形态学方法中也具有较好的适用性。文中通过理论分析及实验仿真进一步说明了本文方法在二值图像及实景图像上的有效性。在目标检测识别方面,本文将Markov随机场应用于车体检测,建立了一种基于各向异性随机场的检测模型,用于快速识别高速公路图像中的车体、提取车体轮廓。新算法在识别手段上一改传统的分类识别方法,采用了基于几何特征的识别方法,降低了车体定位的计算复杂性,同时提高了轮廓识别的准确性。在图像分割方面,本文对已有的类别自适应空间变量混合模型进行了改进。对其中Markov随机场的收敛问题进行了深入探讨,分析了此算法对初值设定敏感性的原因,提出了一种新的空间变量混合模型。新模型在算法收敛稳定性上有明显提高,同时具有较好的灵活性,可以根据输入图像类型及任务类型设定分割平滑的程度,在图像处理中更具实际意义。除稳定性外,本文还研究了空间变量混和模型中随机场的类型问题。提出了使用非齐次Markov场的自适应模型,使新算法在分割过程中可以分区域自适应估计模型参数,对多目标图像的分割具有良好的实用性。在分区域估计模型参数的基础上,本文还研究了Markov随机场形态学参数估计方法。借助形态学对区域图像的形状分析能力,在分割过程中分析中间结果的区域特性,进而判别区域并估计参数。此方法在特定对象区域分析方面较之一般随机场方法具有良好的特性。文中通过形式化描述及分析论证了对空间变量混合模型改进的理论依据,并将新算法应用于标准测试图像,通过实验对比说明了本文方法在实际图像分割中的有效性。