随着计算机科技的迅速发展,人工智能在信息领域已成为研究者研究的热点。在噪声环境下,人们对音频信号的感知能力下降,因此语音交互方式受到限制。近年来,计算机视觉的广泛应用使得除了语音交互外有了更大的突破,研究人员发现利用人的唇动特征变化可以帮助解决语音信号因受到干扰而不能识别的话语内容,即唇读技术。本文主要研究唇语识别系统中的嘴唇分割技术,嘴唇分割是计算机视觉和唇语识别至关重要的预处理,不仅对研究唇语识别系统有重要的意义,其分割结果也对后续的识别率有直接的影响。在嘴唇分割方面,本文采用基于Markov随机场建模的方法对嘴唇区域像素进行分类。Markov随机场能充分的应用像素的空间依赖关系进行目标像素的分类,把图像各个像素的灰度看作具有一定概率分布的随机变量,进而通过结合最大后验概率准则的方法将分割问题转化为标签优化问题。对于小波域隐马尔科夫树模型算法,此算法为图像多尺度统计建模提供了一种可行性方案。首先,对图像进行Haar小波分解,然后对各个不同子带像素的小波系数进行似然计算,通过不同频带上的结点关系构造Markov树形结构。将小波系数不同分辨率图像像素似然转化到小波系数不同尺度之间像素的相关性来构造优化函数。最后,利用最大期望算法进行函数参数的估计。由于小波域隐马尔科夫树模型各尺度分割的局限性,本文采用改进的多尺度上下文信息融合方法,此方法减少了各尺度边界分割的不准确性对最终结果的影响。算法进行了从根节点到子节点以及从子节点到根节点的遍历,捕获了目标残余的自由节点同时孤立了非目标分类区域的边界节点,使得嘴唇边界胡须等干扰因素对边界连通性的影响。在计算各尺度似然能量最小化时纳入较细尺度分类信息似然函数和小波域尺度系数,使得分割结果更加精确。实验证明,本文所提出的方法可行且能够很好的对嘴唇轮廓进行完整分割,与本文提出的传统的条件迭代模型(ICM)算法对比提高了嘴唇边缘分割的准确率和光滑度。