太赫兹光波由于其穿透性强,生物无损性高等优点,被大量应用于生活的各个方面。太赫兹数字全息成像是太赫兹光成像的重要组成部分,但是由于存在探测器灵敏度不够等问题,导致太赫兹图像易被噪声污染。并且由于太赫兹成像物体较小,成像质量也会受到严重影响。因此,寻找到一种针对太赫兹图像的抗噪声分割算法至关重要。本论文针对2.52太赫兹同轴数字全息再现像,采用了3种分割算法,分别是区域生长,均值聚类和神经网络算法。为了能够增强现有算法的抗噪声能力,对以上算法分别进行优化,以达到较优的太赫兹图像分割效果。在区域生长分割算法的部分采用进化算法优化太赫兹图像分割。首先利用双边滤波算法对原始图像进行预处理,然后为改善区域生长算法需要人为选择种子区域及生长准则的缺点,采用形态学腐蚀自动获取种子区域,分别采用遗传算法和差分算法两种进化算法对生长准则中的阈值进行优化,提高算法的自适应能力。最后将两种进化算法在收敛速度和分割效果上进行比较,得到较适合优化区域生长的进化算法。对于均值聚类分割算法研究部分,分别利用K-均值聚类算法和模糊C均值聚类算法对太赫兹图像提取的一维数据和二维数据进行分割,比较两个算法在分割效果上的差异。为降低均值聚类算法对噪声的敏感性,采用了空间约束的模糊C均值聚类算法,观察分割太赫兹图像的效果改善情况。其次为了降低过分割效应,将空间位置信息引入到空间约束的模糊C均值聚类的目标函数中,减少了分割结果的过分割像素数,增强了聚类算法对于噪声的筛选性。最后在神经网络分割部分,采用BP神经网络对太赫兹图像进行分割。通过改变神经网络训练样本的输入图像所加噪声方差的大小来减少分割结果的噪声残留。并分别通过调节学习速率,改变训练方法来减少神经网络的训练时间,最终得到了较为适合太赫兹图像的神经网络结构。