图像分类是影像解译过程中非常关键的一个环节,更准确、更高精度的分类结果能极大地方便后续如目标识别、城市规划、环境监测及土地利用等工作。图像分类研究不仅要考虑像素点本身的特征信息,而且还要考虑相邻像素点之间的相关信息,马尔可夫随机场(Markov Random Fields, MRF)方法提供了对空间上下文(Contextual)相关性的一种方便、一致的建模方法而被广泛应用。近年来MRF方法因其能很好表征图像局部空间上下文相关性的特征而成为图像分析和计算机视觉领域中研究的一个热点。本文详细研究了MRF所涉及到的一系列理论与实践问题。包括：MRF-Gibbs分布等价问题、最大后验-Markov随机场框架(Maximum a posterior-MRF, MAP-MRF Framework)构建问题、能量最小化问题、观测场模型化问题、标记场MRF模型化问题、小波多尺度特征序列提取问题、精度评估算法问题等。围绕上述理论问题,本文首先基于MAP-MRF框架建立了原始分辨率尺度上的上下文MRF图像分类模型;其次为了进一步描述图像的非平稳特性和观测场的本质特征,在上下文MRF模型的基础上利用小波变换的多尺度特性,使观测场建立在一系列小波多尺度上,相应分辨率的标记场都利用本尺度的特征场从而建立了多尺度(Multi-scale)上下文MRF图像分类模型。基于上下文和多尺度上下文MRF模型,本文从Landsat TM遥感影像分类研究和Brodatz纹理库合成纹理图像分割研究两个方面入手总共进行五个实验。对实验结果进行分析,得出了以下重要的实验结论。(一)对大理洱海南部区域进行不同初始标记的实验可得：不同初始标记对图像分类结果具有一定的影响,模糊C均值(FCM)+上下文MRF模型分类总体精度为84.33%,而随机初始标记(Rand)+上下文MRF模型分类总体精度却高达93.67%；随机标记下的分类精度也进一步说明了MRF空间上下文关联在图像分析中的优势。(二)对香港大埔区域进行不同能量权重参数实验可得：当权重参数λ较小时,标记场占主导地位,使得分类结果注重区域的局部属性；反之,观测场占主导地位,使得分类结果注重区域的一致属性。当λ=0.9～1.2时,该模型能达到最大分类精度93.07%。(三)对丽江拉市海区域进行不同基团势参数实验可得：较小基团势参数β对应的分类结果细节信息更多,而且能够尽可能地保持真实的边界位置；随着β的增加,分类结果细节信息逐渐减小,区域性越来越好；而当β过大时,分类结果边界性发生变形,类与类之间的不可区分性越来越大。(四)通过合成纹理二值、三值图分割对比实验可得：上下文MRF模型分割不仅考虑像素点的灰度特征,还考虑像素点的上下文关联信息,从而使得分割结果较FCM聚类结果要好很多；多尺度上下文MRF模型分割不仅利用了MRF模型的上下文信息关联特征,同时在原始分辨率纹理图像上进行了小波多尺度序列表达,从而使得分割结果变得非常理想,通过目测分割精度基本能达到100%。本文MRF建模的实践和实验数据,可以采用该方法进行图像分析的研究和应用,例如：遥感数据分类、合成孔径雷达信号处理、计算机视觉问题(如立体匹配)等提供重要的参考。