为了有效地处理和分析图像,人们始终对统计图像建模技术给予了极大的关注。在图像分割领域,统计图像建模技术通过简单的数学模型捕获了图像中的关键信息,达到了良好的应用效果,其相关技术的研究已成为了当前国内外学者研究的热点。本文围绕图像分割这一应用领域对空间域和小波域统计图像建模进行了研究,提出了自己新的模型和纹理图像分割方法。本文的研究工作主要包括以下几个方面：(1)提出了Enhanced Hidden Markov Model-Hidden Markov Tree (EHMM-HMT)模型和基于EHMM-HMT模型的图像分割方法。为了改进HMM对图像宏观结构的描述能力,在空间域我们提出了EHMM模型；而后,我们运用EHMM和小波域HMT分别对图像块间的相关性和图像块内纹理特征建模,提出了EHMM-HMT模型。实验结果表明EHMM模型改善了模型对图像的宏观(块间)特征的描述。(2)提出了Enhanced Hidden Markov Model-Hidden Markov Tree-3S(EHMM-HMT3S)模型和基于EHMM-HMT3S模型的图像分割方法。本文从如何进一步提高EHMM-HMT模型对块内纹理特征建模的准确度出发,分析了HMT和HMT-3S两个模型对纹理描述的能力,认为HMT-3S模型比HMT模型能更全面地捕获Discrete Wavelet Transform (DWT)子带间统计相关性。于是,我们将EHMM模型与HMT-3S模型相结合提出了EHMM-HMT3S模型,实验结果表明该模型在纹理特征描述方面的有效性。(3)为了提高模型在细尺度上边界检测的能力和降低EHMM-HMT模型的计算复杂度,本文提出了基于EHMM-HMT模型和Multi-States Weighted Hidden Markov Tree(MSWHMT)的多尺度图像分割方法。鉴于基于EHMM-HMT模型的图像分割方法有计算复杂度较高、边界感知能力较弱的不足,我们提出了基于MSWHMT模型的多尺度图像分割方法。MSWHMT模型着重描述了图像中不同类型纹理子结构的统计关系,舍弃了对纹理子结构间的空间结构关系的捕捉,将各类型纹理子结构的宏观估计与局部描述有机结合。相比HMT模型MSWHMT增强了对不同类别纹理的判别能力,相比EHMM-HMT模型则去除了图像块间的相互作用,提高了模型对边界的感知能力。实验表明该模型在各细尺度上达到了减少区域边界误分的目的,并有效地降低了模型的计算复杂度。(4)在多尺度融合策略方面,提出了结合边界信息的多尺度贝叶斯融合策略。该策略的提出基于两点考虑：一方面,基于EHMM模型在最粗尺度上的初分割比较可靠,区域一致性好；另一方面,基于MSWHMT模型在各细尺度上的初分割的边界保持效果好。该融合策略结合初分割结果和似然从图像分割的角度给出了边界新的定义,并区别处理边界节点和非边界节点。实验结果表明该策略综合了区域一致性和边界保持两方面因素,取得了良好的融合效果。本文工作得到了国家自然科学基金(No.60673097)、国家863高科技发展计划(No.2007AA12Z136)资助。