图像作为人们日常工作生活中规模最大、感受最直观的信息载体,对图像的处理及分析问题越来越重要。图像分割是图像处理过程中的关键步骤,它是多种高级视觉信息处理的基础。图像分割领域的问题中,图像信息的不确定性就是其中的主要问题之一,传统的模糊论和概率论方法在解决这一问题时都存在一定缺点。云模型以模糊论和概率论为基础能够更好的解决图像分割中对同一概念的割裂现象。以正态云模型为基础的图像分割具有算法模型简单、分割效果细腻、划分区域更符合人们的概念理解等特点。本文在正态云模型的架构下研究了其中的云变换与云合并过程,并通过改进其中的关键步骤达成以下成果:以单云核提取算法为基础,提出多云核提取算法。基于正态云模型的图像分割需要对原始图像进行云变换,在云变换过程中对云模型的期望值确定需要提取云核,因此对云核的提取方式不同则分割结果不同。基于此,本文以单云核提取算法为基础通过多云核提取算法,同时提取多个图像中的灰度极值点,实现对云核的并行提取。实验结果显示多云核提取算法的运行时间更短,且能够分解出更多的云模型个数,使得云合并运算的基础概念更详尽、图像分割的最终划分概念更准确。通过改进概念跃升时合并模型的选择方式提出最大相似概念跃升算法。本文以基于最小距离的概念跃升建立了最大相似度概念跃升,并通过数学公式证明最大相似度概念跃升方法的理论有效性。实验结果中显示最大相似度概念跃升的合并结果更符合原图像的灰度值分布,从而使得合并后的云模型曲线更贴近原图像、各个概念所代表的图像区域更符合人们认知。本文将两种云核提取方法和两种概念跃升方法互相结合,由此能够同时考虑云变换和云合并运算对图像分割结果的影响。通过不同算法对同一图像的分割结果比对,分别从主观和客观评价标准对分割结果作评价,得到平均效果较好的多云核最大相似度分割算法(Multi-Kernel Extract Maximum-Similarity Concept Promotion,MKE-MSCP)和多云核最小距离分各算法(Multi-Kernel Extract Minimum-Distance Concept Promotion,MKE-MDCP)。图像分割实验结果表明该算法具有很强的适应性,对实验图像的分割效果评价系数好。