自然界许多场景表面都存在着纹理特征,纹理图像分割是数字图像处理领域研究的一个重要分支,在机器视觉中有着十分重要的作用。但是,一方面由于自然纹理类型庞杂,形态各异且结构繁复;另一方面也因为对人类视觉系统感知纹理的机理认识不足;纹理图像分割仍然是图像处理领域的一大难题。在过去的四十多年中,广大研究人员虽然提出了大量的纹理图像分割算法,但是这些算法都存在着一定的不足。迄今为止,纹理图像分割仍然是一个没有得到很好解决的富有挑战性的课题。本文以灰度纹理图像的分割方法为研究内容,对目前广泛采用的一些纹理描述方法和纹理分割方法进行了认真的总结和研究。选择了从基于特征的角度研究纹理图像的分割问题。基于特征的纹理图像分割包括特征提取和图像分割这两个步骤,本文分别对这两个步骤进行了研究完成了以下几个方面的工作:(1)提出了一种结合模糊C-均值聚类和隐马尔可夫随机场的图像分割算法。由于聚类算法不需要提供训练样本,是一种无监督的统计方法。但模糊C-均值聚类算法没有考虑图像位置上的依赖关系,为此本文提出结合模糊C-均值聚类和隐马尔可夫随机场的图像分割算法。该算法将隐马尔可夫随机场的先验概率和条件概率引入到聚类的目标函数中,通过聚类的迭代思想获取马尔可夫模型的参数。(2)提出了一种耦合马尔可夫随机场纹理特征提取方法。纹理是一种区域特性,纹理特征的提取必须在一定的区域内进行。该方法根据纹理图像的这一特性,采用高斯马尔可夫随机场提取纹理特征。在特征提取过程中充分考虑标记场影响,从而在每次耦合的标记场下估计更准确的纹理特征,利用该特征场,可以获取更准确的标记场。根据上述思想,对人工合成图像、通用纹理图像和医学图像等三种纹理图像进行了分割实验。通过对实验结果的分析表明:本文的方法和众多纹理图像分割算法相比,具有在保证较少的特征耦合次数的情况下具有更强的抗噪能力,并且能使分割的对象保持区域一致性和边界的清晰性,有较高的分割准确性。