纹理图像分割一直以来是计算机视觉领域研究的热点和难点。由于自然纹理复杂多样,并且人们对视觉系统感知纹理的机制认识不足,纹理图像的计算机分割效果距离人眼分割效果还有很大的差距。然而纹理图像分割又是高层视觉处理,如目标识别、场景分类和图像理解的基础,所以该课题具有重要的研究意义。图像分割的目标是找到图像中具有不同统计特性的区域的边界,将其分离开来。已经发展起来的分割算法不计其数,但是每种分割算法都有其局限性或不足之处。纹理是图像分割的一条重要线索,基于纹理特征的图像分割主要包含两个步骤：特征提取和图像分割,而特征提取尤为关键,后继的分割算法对它有强烈的依赖性。特征提取是描述纹理图像本质属性的过程,旨在将图像中属于同一日标区域的像素映射为相似的矢量。受生物视觉加工过程的启发,鉴于纹理属于二阶刺激,本文采用“滤波-非线性操作-滤波”的计算模型来捕获纹理的二阶特征,其中滤波器的参数根据视觉心理学的实验结果来设计。采用该模型的优势在于它符合人类视觉感知的过程,能够更好地表征纹理的本质属性,是对解决纹理分割问题新途径的尝试。此外,本文在聚类过程中动态地引入了空间信息,可以校正一些小的误分割区域。通过在合成图像与真实图像上进行实验,证明二阶特征与空间信息融合能够取得更好的分割效果。从数学建模的角度,对基于幅度调制-频率调制模型的纹理图像分割算法进行了深入的了解。传统方法为了消除高维度的特征矢量对下一步分割的不利影响,采用主分量分析方法选择一个最优通道的解调参数来提取特征,然而这也不可避免地带来了信息损失问题。本文根据实际的物理意义,进行了特征选择和特征融合,使得提取的特征向量既有一定程度的降维,又充分保留了有用的信息。由于提取的特征向量能够精确反映不同纹理的本质属性,且在特征空间呈团聚状,后续只需采用简单的K-means聚类算法即可得到比较满意的分割结果。为了验证本文方法的有效性,在几个公开的分割数据库上完成实验,并与现有的基于调制模型的算法进行了比较,最后将本文方法应用到遥感图像的分割中。纹理分割是一项非常复杂的任务,为了更好的表征纹理图像,人们考虑使用分层结构将图像在不同分辨率下由粗及细地表达出来。本文提出一种新型的分层分割机制,分割层数以及每层分割区域的数目都是由人工交互输入的标记隐含确定的,因此每一层分割得到的目标区域具有明确的语义,用户可以根据高层视觉任务的分辨率要求自动组合这些分割结果。在树图的每一层,本文采用改进的基于最大相似度的区域合并算法来完成分割任务,其中相似度测量融合了L*a*b*颜色特征和Gabor能量特征。实验证明,本文方法优于经典的加权聚合分割算法和分层Graph cut算法。最后,对本文所做的研究工作进行归纳总结,并进一步探讨了纹理分割的发展方向。