随着传感器和自动数据采集技术的快速发展,获取同一目标的多源影像数据愈加方便。但是,对这些数据的处理和利用还远远不能满足实际应用的需要。从多幅影像中提取各自的有用信息,再综合成一幅影像有助于判读或后续进一步处理。从信息论的角度讲,融合后的结果影像比原始影像往往具有更优越的性能,综合整体信息大于各部分信息之和。合适的多源影像融合可为后续处理应用打下良好的基础。分析和理解影像数据,根据具体的应用目的来识别出影像中的对象,并进一步提取有关的内在信息,是影像处理领域中的一个重要任务。而良好的影像分割结果往往是这些处理的基础。分割算法从某种角度来说,可分为基于特征和基于模型两类方法；本文一方面把多源影像的融合作为一种改善特征的手段,另一方面对经典马尔可夫随机场模型进行改进,试图同时改善特征和建立更精确的模型,尝试把多源影像的融合与分割作为一个整体加以研究,以使得分割过程中的特征和模型的耦合性更好,这有别于许多研究者把影像融合与分割分别加以研究的思路。具体来说,本文的工作可概括为以下几点：(1)系统地概述了现有影像分割方法、基于MRF模型进行影像分割的相关理论、分割与融合两者耦合的现状,探讨了多种融合方法对特定算法(如马尔可夫随机场,Markov Random Field,MRF)分割效果的影响,分析了融合结果影像的属性值与分割效果的关系。(2)介绍了气象领域的数据同化系统的一般框架,将其思想引入到影像处理领域中并进行了拓展,借鉴其思想设计了一个自适应的融合框架,用不同的传统融合算法来模拟数据同化系统的模型算子和观测算子,构造由影像属性的加权和所组成的目标函数,并利用智能优化算法来优化目标函数从而获得合适的影像,这种数据同化框架下多源影像的可控融合方法为融合与分割的协同奠定了基础。(3)为了同时处理影像分割问题中的随机性与模糊性,利用模糊聚类算法能够处理模糊性的优点,结合MRF模型的空间拓扑描述能力,以及小波描述多尺度信息的优点,把单尺度的MRF模型下的模糊聚类分割方法拓展到小波域,从而形成了一种多尺度MRF模型下的模糊聚类分割算法。该算法首先通过小波分解得到影像的多尺度表述,然后从最低分辨率到最高分辨率,利用MRF模型和模糊聚类依次得到各尺度上的分割结果,并将其投影至下一尺度作为先验信息,原始影像尺度的结果视为最终分割结果。对于合成纹理影像、遥感影像和医学影像的分割,该方法都获得比FCM算法和传统MRF方法更好的结果。4)针对传统的MRF以像素为处理对象,易于受到影像中噪声影响的缺点；本文提出了一种MRF框架下以过分割区域为基本生长单位的区域增长模型,对前人的理论结果进行了扩展。该模型首先通过纹理分析和滤波运算得到初始种子点；然后由均值漂移算法运算获取过分割区域,并将种子点对应的区域设为种子区域；再利用MRF框架对这些区域建模,并根据空间邻接关系来选择增长方向,通过极大后验概率准则实现区域增长,从而克服增长方向固定的弊端；最后,通过在MRF框架中设定的区域阈值来控制增长过程。对QuickBird和Ikonos遥感影像的实验表明,该模型能有效地识别出影像中的城镇区域。(5)借鉴数据同化的思想,提出了一个影像融合与分割的协同框架,通过调整融合规则和模糊MRF模型的参数来获取较好的多源影像分割结果。在该框架内,把多源影像作为数据同化系统的驱动数据,选取合适的融合算法作为模型算子和观测算子,以分割结果的定量评价指标为目标函数,以遗传粒子群等为优化算法。基于此框架,提出了半监督的影像分割算法,对于合成纹理影像和遥感影像的分割,该算法都获得了比较理想的结果。