图像分割是计算机视觉领域一个重要而基本的问题，尤其是在图像理解、成像目标的识别与跟踪、机器人视觉中是一项关键技术。分割结果的好坏，对视觉系统的性能影响很大。图像分割同时又是一个信息不足的不适定问题。为了使问题适定化，就需要增加约束条件（先验知识）。由于视觉任务的多样性和复杂性，以及从图像中所获得的信息不同，使需要的约束条件也各不相同。由于人们事先很难精确了解在成像过程中信息损失的情况，这就给先验知识的精确数学刻画带来很大的难度。另外，由于成像中各种因素的影响，使得要分割的目标与背景之间一般都带有一定的相似性和不确定性。而模糊集合论及由此而发展起来的模糊信息处理技术，对处理带有模糊不确定性的事件及对不精确知识的描述与处理方面具有得天独厚的优势。图像分割过程就是利用图像信息及先验的约束条件，将图像像素进行智能分类的过程。 基于以上原因，本文研究了以模糊信息处理技术为基础，利用不同的图像信息进行图像分割的原理，提出了一系列新的思想和方法，取得了良好的效果。本文共分七章，主要内容如下： 第一章，回顾了计算机视觉的发展历史及现状，阐述了图像分割几十年来一直是困扰计算机视觉领域发展的一个热点研究问题，接着分析了图像分割本身所存在的问题及解决方法。一方面，图像本身存在模糊不确定性，另一方面，使图像分割这一问题适定化的约束条件（先验知识）的表述具有模糊不确定性，这就使得在图像分割中使用模糊信息处理技术成为必然。最后介绍了本文取得的主要研究成果。 第二章，论述了图像分割的基本原理，阐述了模糊分类技术与图像分割的关系。由于图像分割是一个智能分类过程，因此，本章重点研究了适用于图像分割的模糊分类技术，提出了基于人的分类特点的模糊软聚类方法：截集FCM聚类算法；提出了势函数部分加权的FCM聚类方法；提出了非迭代的势函数聚类方法。由于聚类问题是一个非线性优化问题，对初始值很敏感，因此本章研究了聚类的初始化问题，提出了一种函数初始化方法。在分类过程中，自动确定数据集合的分类类数是智能处理的一个关键，本章研究并提出了一种基于模糊贴近度的聚类有效性方法，用于自动确定分类数。 第三章，研究了基于图像灰度统计信息的多阈值图像分割方法，提出了二种有效的多阈值分割方法：势函数聚类自适应多阈值分割方法；直方图模糊约束聚类自适应多阈值分割方法。同时对以上方法在理论上进行了深入分析，并且给出了相应的实验结果。理论和实验都证明以上方法具有良好的性能。 第四章，从增强直方图的峰谷特性入手，提出了两种图像分割方法，一是基于平 I滑性测度的模糊自适应直方图增强图像分割，该方法对具有强噪声的图像具有良好的分割效果。二是基于色调直方图模糊增强的彩色图像分割，主要从人对颜色认识的常识人手，用模糊信息技术进行色调直方图的增强。 第五章，研究了基于空间邻域信息和灰度信息的图像模糊分割方法。讨论了灰度图像信息墒，根据不同的图像特点提出了三种图像分割方法：利用启发式知识的模糊区域生长图像分割方法；采用塔型模糊聚类区域过分割，然后进行区域模糊合并的图像分割方法；纹理图像的模糊软聚类分割方法。 第六章，研究了基于图像边缘信息的图像分割方法，提出了一种图像邻域有序性模糊度量，以此来调节多尺度边缘检测中滤波尺度的大小。并由此提出了一种基于邻域有序性模糊度量的多尺度边缘检测方法。实验证明本章提出的方法具有良好的检测效果和抗噪性能。 第七章，研究了应用模糊信息处理技术处理序列图像目标中带有模糊不确定性信息的方法，并提出了基于模糊加权时域滤波的运动目标分割算法和模糊自适应局部阈值序列图像分割方法。