在计算机视觉领域,图像分割一直是一项关键技术,其目的是将图像中具有特殊意义的区域分割开来。作为高层次图像处理的初步阶段,图像分割一直起着至关重要的作用,例如目标定位或识别、数据压缩、图像检索等。在过去的几年中,许多图像分割方法已经被开发出来,如阂值分割、区域分割等。迄今为止,由于图像的复杂性还没有一种标准的分割方法适用于所有不同种类的图像,因此,图像分割技术仍是目前研究的热点之一。目前,结合各种理论的图像分割己应用于不同种类的图像,并取得不错的结果,本文围绕图像分割这一研究领域,对支持向量机理论和统计建模理论进行了认真研究,并提出了自己的分割方法,完成以下几方面的工作：1、研究了支持向量机理论,利用提取的颜色和纹理特征,将模糊C均值(FCM)或Arimoto熵阈值和支持向量机(SVM)结合起来进行图像分割,该方法为支持向量机提供了训练样本,不仅符合人类视觉感知特性,而且节省时间,取得了很好的分割结果。2、在进行特征描述时,不再以原始特征为基础,而是由高斯混合模型(GMM)得到的新特征来进行初始分割,进而利用支持向量机(SVM)进行分类得到最终分割结果。高斯混合模型(GMM)仅采用时域信息,而该方法能够充分利用图像的时空域信息,从而弥补了GMM对复杂背景建模的不足,有效的提高了分割的准确性。3、提出了应用PDTDFB变换的增强的隐马尔可夫树模型进行图像分割的算法,先对图像进行特征提取,再对特征进行PDTDFB变换,再将变换后的系数与增强的隐马尔可夫树模型结合起来对图像进行分割。