图像分割和目标分类是数字图像处理领域中两个重要的研究课题。建立在统计学理论基础之上的传统学习分类方法在这两个研究课题中得到了广泛的应用。传统学习分类方法是以经验风险最小化取代期望风险最小化,即渐进理论,但这种取代只有当训练样本数趋于无穷时,最小化经验风险与最小化期望风险之间的偏差才能达到理论上的最小。然而在实际应用中,训练样本数趋于无穷这一前提条件往往得不到满足,特别当问题处在高维空间时更是如此。因此,一些理论上非常优秀的学习分类方法在实际应用中的表现却可能不尽人意。与传统统计学相比,统计学习理论是一种专门研究小样本情况下机器学习规律的理论。该理论针对小样本学习问题建立了一套新的理论体系,在这种体系下的统计推理规则不仅考虑了对渐进性的要求,而且追求在现有有限信息的条件下得到最优结果。建立在统计学习理论的VC维理论和结构风险最小化原理基础上的支持向量机方法已经被看作是对传统学习分类方法的一个好的替代,特别在小样本、高维非线性情况下,具有较好的泛化性能。支持向量机是Vapnik及其研究小组提出的一种全新的模式识别技术。在使用结构风险最小化原则替代经验风险最小化原则的基础上,支持向量机综合了统计学习、机器学习和神经网络等方面的技术,并被证明在最小化结构风险的同时,有效地提高算法的推广能力。由于其完备的理论基础和良好的实验结果,支持向量机日渐引起研究人员的重视。目前将其应用于图像分割的方法研究还比较肤浅,有待深入研究和进一步完善。现有的基于支持向量机的图像分割方法大多都是针对具体图像提出的,比较零散。为此,本论文对支持向量机方法及其在图像分割中的应用研究进行了系统综述,以期能为对基于支持向量机方法进行图像分割感兴趣的读者提供参考。本论文首先从支持向量机的发展背景、基本思想、基本算法以及方法特点进行了详细综述,然后对基于支持向量机的图像分割方法进行了系统综述和分析。本论文的主要内容安排如下:第一章综述了课题背景,综述了图像分割的相关概念、图像分割技术以及发展趋势;第二章概述了统计学习理论的主要内容;第三章综述了支持向量机的基本思想、基本算法以及支持向量机方法的特点;第四章详细综述了基于支持向量机的图像分割方法;第五章做了总结和展望。