目前常用的统计纹理分割算法都因其对图像处理采用加窗模式导致存在着尺度上的局限性，对遥感图像的纹理分割得不到良好的效果。而小波域隐马尔可夫树模型能够突破尺度上的限制，把握宏观的状态分布并兼顾到微观细节。该模型已开始被用于文本图像的纹理分割，取得了良好的效果。 本文的主要研究内容是利用小波对图像进行处理，结合隐马尔可夫树(HMT)模型对遥感图像进行分割，克服传统纹理分割方法受到的窗口局限。首先分析并改进小波域HMT分割算法，然后通过试验比较说明本模型在图像处理方面的某些优越性。并利用这一优点，将其应用于停机坪分割，改善飞机目标定位算法的准确性。主要工作如下： 1 回顾了图像纹理分析中常见的几种数理统计方法的基本概念，为了同小波域HMT分割算法形成对比，针对遥感图像进行试验：分析所得结果，总结出这些方法的优劣。 2．分析不同纹理样本的小波分解特性及相关性，根据这些特征选择合适的高斯模型，构建混合状态HMT模型。 3．改进基于小波域隐马尔可夫树模型的分割算法，包括采用K-means算法实现高斯模型的参数预估：针对遥感图像的地貌特征，改进基于环境的自适应融合方法实现对图像的最终分割。试验结果表明此方法相比传统纹理统计可以突破后者在尺度范围上的局限性，不仅具有可行性，而且能够得到更理想的效果，但在训练样本过程中计算量较大。 4．将该算法应用于停机坪分割——利用粗尺度上对停机坪的分割，修正细尺度上飞机特征的干扰，实现停机坪与建筑区的分割，从而改善飞机目标分割的虚警问题。