图像分割是图像处理中一个基本而关键的环节,是图像分析和机器视觉研究的基础。虽然,近些年的研究已经取得了一定卓有成效的成果。但是,面对众多的图像分割问题,还是存在着一些有待进一步探讨的地方。本文根据不同的分割特征对图像分割方法进行了较为深入的研究,具体工作如下：(1)针对图像的阈值分割问题,提出了一种基于超模糊集的多属性阈值分割算法。将图像分割问题引申到超模糊集中进行解决,利用推广到超模糊集合下的超模糊熵和超模糊相似性的概念,构造综合评价函数,从不同角度刻画分割性能,获得最佳阈值。与传统方法相比,该方法体现了更好分割准确性。(2)针对图像的边缘分割问题,提出了一种基于边缘分类与Hopfield网络优化的边缘检测方法。首先利用改进的边缘定义,有效地解决了传统方法对边缘拐点,终点,以及孤立噪声点的误检问题；然后,利用Hopfield网络对所得的初边缘进行优化,通过弥补缺失边缘和消除假边缘达到精确检测的目的。实验证明,这种多阶段的边缘检测方法能够有效地检测出粗细适度的图像边缘。(3)提出了基于视觉感知理论和基于交互式分割两种轮廓提取方法。基于视觉感知理论的轮廓提取方法,通过模拟初级视皮层细胞抑制与增强作用,有效地抑制了背景纹理的干扰,增强了具有相同结构神经元的响应,得到了清晰的轮廓；而基于结构张量的随机游走分割算法,则通过提出一种自适应各向异性的结构张量,代替灰度值作为随机游走分割所需的权值,解决了传统随机游走算法,无法体现待分割图像局部结构的问题。两种分割方法都改善了在区域分割过程中,局部结构中背景纹理信息对图像分割的影响。实验表明,两种分割方法都取得了较好的分割效果。(4)利用视觉感知理论,将图像的全局特征和局部特征结合,提出一种无监督的显著目标自动识别方法。通过模拟不同尺度、不同朝向的细胞响应,有效地提取到了图像的全局特征。然后,再结合显著目标的自身特性,定义图像的局部特征,进一步确定感兴趣区域的位置。从而准确地检测出图像中的显著目标。(5)针对车牌检测过程中的定位问题,提出一种新的解决策略。通过分析我国车牌的特点,算法提出四种车牌特征描述算子,结合数学形态学和自组织映射神经网络,实现车牌的精确定位。实验结果表明,所提定位策略有效地克服了传统单一特征检测方法的不足,针对80幅彩色图像进行测试,总有效率可达96.25%。