图像分割是图像处理中一个基本而关键的环节，在进行特征提取识别之前，进行图像分割必不可少。根据图像信息的不同，目前对图像分割的研究主要分为:利用图像中灰度分布不连续区域信息的边缘检测方法;利用在图像领域中定义的曲线或曲面的变形模型;以及利用图像空间区域信息和光谱信息的区域分割方法。本文主要从这三方面对图像分割方法进行了较为深入的研究。　　边缘检测方法是传统的图像分割方法中的经典方法。图像的边缘包含了图像的位置、轮廓等特征，是图像的基本特征之一，广泛应用于特征描述、模式识别等图像处理与分析中。文中首先提出了基于预测的自适应边缘检测方法，该方法利用在图像压缩编码中使用的GAP预测器来对图像进行预测，得到预测误差图像;为了获得较好的检测效果，采用了一种基于梯度均值的自适应阈值方法获得阈值来确定图像边缘;对得到的多像素边缘进行细化处理得到最终的边缘图像;该方法检测到的边缘清晰完整，定位精度较高。其次将大尺度的结构元素去噪功能较好和小尺度的结构元素良好的细节保持能力结合起来，并通过参数选择大尺度结构元素，提出了多尺度形态学的边缘检测方法，该方法得到了抗噪性以及边缘细节都比较好的检测结果。文中还对图像熵和神经网络进行了研究，利用图像熵来减少计算量，采用神经网络方法，用训练好的神经网络直接检测图像边缘，不存在阈值确定问题，加上构造训练样本时考虑到边缘点与噪声点的本质区别，因此具有较好的抗噪能力的优点，提出了结合图像熵和神经网络的边缘检测方法，结果也比较理想。　　基于变形模型的分割方法是本文的另一个研究重点。文中对近几年来图像分割中的主流模型一参数主动轮廓模型及其求解算法进行了分析，在此基础上提出了一种基于边缘流改进各向异性扩散的GVF Snake模型，通过其重新构造模型的外部能量函数，驱动模型变形分割图像，实验结果表明，该方法提高了分割的准确性。　　最后本文利用形态学算子描述图像的不连续性，重新定义同质性，提高了图像的抗噪性。之后利用统计得到的同质直方图，通过峰值寻找算法得到波峰、波谷，进而对图像进行分割。然后对得到的不同子区域进行分析，对满足条件的子区域进行合并之后实现对图像的滤波。