图像分割是图像处理的过程中非常关键的步骤，分割结果的质量直接影响后续的图像识别和分析，因此图像分割算法的研究越来越受到广泛的关注。传统的分割方法包括阈值分割法、区域分割法及边缘检测法等，近年来一些基于新理论新技术的分割方法也开始进入人们的视线，例如：基于数学形态的分割法、基于神经网络的分割法、基于模糊控制的分割法以及基于遗传算法的分割法等等。云模型是将概率论和模糊集相结合提出的定性概念和定量表达之间的转化模型。正态云模型是一种基本的云模型，自然世界中很多的定性概念都可以近似看作是正态或半正态的分布，因此很多问题都可以看作正态云模型来解决。云模型中的云滴具有不确定性，同一个云滴可以隶属于不同的云，不同的云滴也可以隶属于一朵相同的云，这种特点可以对不确定信息进行“软”划分。图像分割就是一种将图像像素根据给定的信息进行分类从而提取出目标区域的过程，因此可以将云滴的这种不确定性应用于图像分割领域。云模型在对各种传统的图像分割算法的改进方面已经有了不少研究且取得了良好的效果，但是在基于新理论新技术领域的改进研究还相对较少，本文从基于数学形态学和基于遗传算法的图像分割领域入手，进行改进研究。在基于数学形态学的图像分割领域中，最典型的分割方法是分水岭算法。分水岭算法在进行图像分割时最主要的问题就是容易出现过分割现象，因此采用改进后的云模型综合算法进行合并，可以成功解决这个问题。而云模型在进行云综合时需要对子云进行合并，传统的合并过程中对什么样的子云适合进行合并没有给出一个简便有效的方法。针对这个问题本文提出了云密切度的概念，同时从云模型相对距离和交叉部分大小的角度进行了定义，使得判定结果更加合理。将使用该判定方法的云综合算法应用于分水岭分中，可以得到更好的分割效果。在基于遗传算法的图像分割领域中，交叉概率和变异概率值的设定直接影响算法的搜索效果。传统的遗传算法中交叉概率和变异概率值是一定的，容易使搜索陷入局部最优，自适应遗传算法对此进行了改进，使交叉概率和变异概率可以进行自适应的调整，但是对于容易陷入局部最优的问题还是没有得到有效解决。本文将云模型引入其中，使用X条件云发生器重新构造了遗传交叉、变异概率，使得算法可以更好的进行自适应调整，有效避免了易陷入局部最优问题，从而可以快速稳定的找到最佳分割阈值，完成图像分割。