图像分割是数字图像分析中的重要环节，在整个研究中起着承前启后的作用，它既是对所有图像预处理效果的一个检验，也是后续进行图像分析与解译的基础。因此，对于图像分割的研究在过去的四十多年里一直受到人们广泛的重视，也提出了数以千计的不同算法。虽然这些算法大都在不同程度上取得了一定的成功，但是图像分割问题还远远没有解决，这方面的研究仍然面临很多挑战。迄今为止，没有一个分割方法能够对任何图像都取得一致的良好效果，也不是所有算法都能在某一个图像上得到同样良好的效果。并且，由于缺乏一个统一的理论体系，也没有一个方法来指导我们如何根据图像选择合适的分割算法。更有甚者，也不存在一种被广泛接受的方法，能够对不同的分割结果给出与主观感觉一致的评价。因此，在解决一些实际的图像分割问题时，我们往往难于找到合适的算法。即使找到一些算法，每个算法也只适用于部分图像。有鉴于此，本文首先针对具体的图像分析任务，研究了对于纹理图像和非纹理图像的分割技术；接着，尝试了使用机器学习技术来解决图像分割研究中遇到的困难，从而为因应图像分割所面临的挑战指出一个可能的努力方向。 根据所适用的分割算法的不同，我们将林林总总的图像简单的分为纹理图像和非纹理图像。非纹理图像内容简单，时间复杂度较低的阈值化算法在这类图像的分割中一直被广泛使用。传统的阈值化算法仅仅使用像素点的灰度级信息，因而要求图像中的目标和背景在灰度级上是可分的。然而，由于噪声和光照的影响，上述假设往往难以满足。本文使用将灰度信息和空间位置信息相结合的策略来实现非纹理图像分割，提出了一种结合空间信息的阈值化算法，和一种针对SAR图像的与区域生长相结合的模糊域分割算法。在这两种方法中，都是先利用灰度级信息获取图像的粗分割结果，然后再结合空间位置信息得到精确的分割结果，从而使分割算法表现出了很好的实时性和健壮性。 大多数自然景物图像都在不同程度上含有纹理，因此对纹理的研究一直以来都是图像分割中的一个重点，也提出了很多描述纹理的方法。本文结合课题要求，着重研究了基于分形模型的遥感图像分割。常用的分形维数估计算法准确度不足，而基于数学形态学的传统算法又计算量巨大。我们首先改进了基于数学形态学的分形维数估计算法，使其在更准确的同时，时间复杂度较小。其次，我们将改进后的算法推广到多重分形估计，并且提出了一组描述纹理的新特征——形态学多重分形指数谱。最后，我们在上述基础上给出了相应的纹理图像分割算法。 在充分研究图像分割所面临的困难的基础上，我们提出了基于学习的图像分割的思路。希望使用机器学习的技术，通过从用户对训练图像集的分割和评价中学习相应的启发式知识，以此使系统能够根据图像的特征，为不同的图像灵活的选择参数或算法，从而自动实现令人满意的分割。学习在图像分割系统中的作用可以分为两个层次：参数的学习和算法的学习。在参数学习的例子中，我们给出的系统能够从训练图像中成功的学习阈值化算法中所需的两个参数的选取规律，并较好的完成对隧道图像的分割。为了学习算法选取的知识，我们建立了人工算法选择的模型，并依据该模型构造了一个基于性能预测的算法优选系统。该系统可以从用户对不同分割结果的评价中学习启发式知识，从而预测不同算法在待分割图像上的性能表现，完成算法选优，进而实现对特定图像库中各个图像的自动分割。 最后，对本文的研究工作进行了总结，并对这个领域仍充满机遇与挑战的努力方向进行了展望。