开展遥感图像分割的研究，对人们在遥感数据日益增长的需求处理方面有着十分重要的意义,而遥感图像的复杂、多光谱多层次等特性使得遥感图像的分割一直都是遥感图像处理领域的重点难点课题.虽然随着人们对图像分割的研究已经很广泛且深入成熟，但是由于多方面的原因，图像分割的应用仍然具有很大的挑战,尤其是遥感图像技术的发展更是任重而道远。本论文针对K-means算法（K-均值聚类算法）、最大类间方差法和水平集算法各自的特点，主要提出了两种遥感图像分割模型，并对实验结果进行了总结分析。本文的主要工作有：1.介绍了图像分割相关理论内容，将现有图像分割方法模型大致归成了四大类，并对每一大类都进行了较为系统的阐述，具体引出了本课题研究的目的与意义。2.根据最大类间方差算法和K-means聚类算法各自的优缺点，提出了一种将最大类间方差法（Otsu）和K-means算法相结合的遥感图像分割算法。大量的实验结果显示，本文提出的算法不仅克服了经典Otsu算法分割信息不完备的缺陷，增强了Otsu阈值分割算法的鲁棒性，而且还是对K-均值聚类算法的一种较好的改进，实现了分割速度和分割效果的双重改善。3.第二种模型是基于K-均值聚类算法与改进的四相位水平集算法模型结合的新方法。相比于传统的水平集模型，改进模型在能量函数中考虑了图像的面积信息、梯度信息和边缘检测能量。实验结果显示相较于经典水平集模型，本文提出的算法对于遥感图像的分割在时间和精度上都有较好的效果。