颗粒作为一种常见的分析测量对象,在工业、医学和农业等领域应用广泛。目前,基于图像的颗粒分析算法能够方便快捷地统计颗粒数目并分析颗粒参数,成为国内外众多学者在图像领域的研究重点。但颗粒图像普遍存在光照强度不均,对比度低,相互粘连等情况,现有的分割方法容易产生欠分割和过分割现象。为解决上述问题,本文提出了一种基于二次超像素分割与改进Logit Boost的颗粒图像分割算法（TS-EL）,有效地提高了颗粒图像的分割精度。本文对于颗粒图像分割研究进行了以下的工作:（1）提出了一种基于梯度距离的超像素分割算法（Grade SE）。该算法的提出主要是针对常用的超像素分割算法对颗粒图像的轮廓贴合度较差的问题。为解决该问题,本文引入了像素间线性路径上的梯度距离作为新的度量,避免了超像素内出现明显的轮廓线,通过为颜色度量、空间度量和梯度度量分配不同的权重来定义像素间的相似度。本文将提出的Grade SE算法与其他算法在伯克利分割数据集BSDS500上进行了对比。实验结果表明,利用本文算法得到的超像素分割更为紧凑均匀,边界贴合性更高。（2）提出了一种基于二次超像素分割的颗粒图像分割算法。该方法的提出主要基于以下出发点:在部分颗粒图像上,一些颗粒物存在对比度低、颗粒边界模糊的情况。在此基础上,本文利用高斯函数分别建立颗粒图像的前景和背景高斯模型,同时制定双因子超像素分类准则,将超像素分为前景块、背景块和待定块。对于低置信度的待定块,进一步提出了基于最小包围盒的二次超像素分割方法,根据其最小包围盒进行更小粒度的超像素分割,这种方法在一定程度上可以有效地识别颗粒目标颗粒物的边界,提升颗粒识别的精确度。（3）提出了一种基于改进Logit Boost的超像素分类方法。该方法基于颗粒图像中已识别超像素的颜色特征,以前景块和背景块的RGB颜色直方图特征作为特征向量,输入到改进Logit Boost分类器进行训练,最终该分类器将剩余的较小待定块正确划分为前景块和背景块,从而实现颗粒图像的分割。（4）在谷粒,色母和细胞三种颗粒图像数据集上的分割实验中,本文与其它七种颗粒分割算法进行对比实验,在Precision、Recall和F1-score的3个指标实验数据表明,所提TS-EL算法对比其他算法结果更优,说明本文提出的算法具有较高的精确度和鲁棒性。