图像分割是数字图像处理领域的关键技术之一，它的重要性使得它一直是研究的热点。图像分割中常存在的矛盾是：分割的精确性与易分割性的矛盾、过分割和欠分割的矛盾，这些矛盾用固定尺度的分割技术较难解决。由于在自然界和工程实践中，许多现象或过程都具有多尺度特征，所以，采用多尺度分析方法来描述、分析这些现象或过程，能更全面地刻画它们的本质特征。多尺度分析方法通过综合不同尺度的图像信息，把精细尺度的精确性与粗糙尺度的易分割性统一了起来，这种分析方法非常适合自动或半自动的图象分割。本论文从三个方面深入研究基于多尺度理论的图像分割方法。首先，从尺度空间的角度入手，借助小波变换方法，研究多尺度的图像预处理；其次，引入多尺度自回归(MAR)模型，并结合小波变换，构建多尺度数据结构；最后，研究多尺度分割策略，以多尺度马尔可夫随机场模型为主要研究方向，将其用于图像分割中，并在此基础上提出一些改进。本文的主要工作和贡献如下：1、提出一种基于小波变换的结构形态学尺度空间滤波方法。通过不同尺度的结构元素，构建结构形态学尺度空间，利用小波变换，融合各尺度信息，消除形态学尺度空间方法的缺陷，这种滤波方法既抑制了噪声又较好的保持了目标轮廓信息。在此基础上设计出快速分水岭分割算法，较好地解决了传统分水岭分割算法的过分割问题。2、通过分析基于小波变换的动态系统模型，提出一种基于小波变换的多尺度Kalman滤波方法。算法利用小波变换的多尺度特点，把初始预测序列多尺度分解，并在各尺度层上进行Kalman滤波估计，再利用小波重构来融合各层的估计信息，获得更为精确的估计。该算法将小波变换和分层Kalman滤波结合起来，实验表明滤波效果较好。3、通过研究MAR模型，分析了以此模型构建多尺度数据结构的优点，并在此基础上提出一种基于MAR模型的SAR图像SVM分割算法。算法依据SAR图像特性以及SAR图像目标在不同分辨率下的自相似性，构造SAR图像的MAR模型，并提取适合SAR纹理图像的多尺度特征矢量。最后，通过一种广义加权支持向量机分类方法，对多尺度特征矢量合理分类。4、针对使用条件概率分布时参数估计的复杂性以及有时难用理论方法推导出较准确的分布形式这两大问题，提出一种基于SVM后验概率的MRF分割方法。算法依据贝叶斯公式将对条件概率估计转换为后验概率估计，经样本训练，通过对SVM决策函数输出的映射来产生后验概率，并将SVM估计的后验概率信息带入MRF模型实现分割。5、提出了一种基于上下文信息的图像分割方法，通过一种上下文参数近似估计方法，来实现尺度内和尺度间的相邻节点间的信息交互，较好地解决多尺度MRF分割方法在均匀区域内存在小面积误分类以及区域边界处划分不够精确和平滑的问题，并保持了原模型的简洁性。6、将MAR模型与多尺度MRF模型相结合。提出一种基于小波—MAR模型的半塔多尺度MRF分割方法，在多尺度MRF分割中引入MAR模型结构，构成标号场和观测场的双半塔结构，提高多尺度分割算法的精度和效率。