轮廓检测和图像分割是计算机视觉领域两个最基本的关键问题。传统的基于区域和边缘的方法，不能同时兼顾抗噪性和检测精度，难以满足复杂分割应用的需要。自然图像中的轮廓检测算法主要是围绕着梯度特征和曲线连续性特征进行图像的概率轮廓的检测，以亮度梯度颜色梯度和纹理梯度为基础，用信息论中熵的概念对图像全局信息、轮廓边缘信息进行统计。　　由于自然图像的背景复杂，在进行图像的轮廓检测时可能会有一些重要轮廓丢失，从而会给接下来对象检测和分析对象跟踪等工作带来额外的困难，为此本文针对自然图像分割做了如下研究工作：　　首先，分析了图像分割的发展历程，研究了国内外各种图像分割的典型方法，并归类为基于边缘，区域和活动轮廓模型三类，分别阐述了各自的优缺点。　　其次，本文重点研究了两种不同的图像分割方法，基于区域梯度信息的李纯明模型和基于全局统计信息的轮廓检测方法，并提出了一种基于轮廓检测的自然图像分割方法，该方法利用最小描述长度准则和变分水平集方法求解活动轮廓模型，分割出图像中最凸出的兴趣区域。　　再次，通过实验验证该方法可有效的分割出图像中最突出的感兴趣目标，并与当前先进技术进行对比，实验表明本方法分割效果有所提高。　　最后，总结了本文研究工作，由于目前为止还不存在一种通用的方法，也不存在一个判断分割是否成功的客观标准，还分析了图像分割发展的趋势，并对未来工作进行展望。