一直以来,图像分割都是计算机视觉领域的一个关键问题,图像分割的效果将直接影响到图像的下一步分析和处理。同时,它也是图像处理领域的一个经典难题。在图像分割算法中,直方图阈值法是应用最广泛的分割技术之一。本文在传统的直方图高斯拟合多阂值方法的基础上,针对该方法的不足,结合数学上的概率论与统计理论知识,提出了基于Gamma分布统计模型的直方图自适应多阈值分割算法和基于对数正态分布统计模型的直方图自适应多阈值分割算法。直方图高斯拟合法通常采用高斯分布来拟合直方图,而高斯分布的偏度为零,是一种对称性分布,只适用于拟合对称的模型。当样本数据的偏度不为零时,图像的直方图分布是非对称的,由高斯拟合法得到的分割效果往往不够准确。因此,本文采用偏度不为零的Gamma分布对直方图进行拟合,结合ISODATA算法自适应地确定图像分割的阈值。该算法首先利用极大似然估计对每个Gamma模型的拟合参数进行估计,避免了多峰交叠带来的干扰；然后采用基于直方图区域的分裂与合并的方法估计分割阈值。该方法避免了普通的基于图像区域的分裂合并技术在紧致性和边缘粗糙方面的缺点,同时实现了对直方图非对称图像的分割。实验结果表明,该算法不但对于直方图对称的图像能取得和高斯拟合法相同的分割效果,对于直方图非对称图像能取得比高斯拟合法更佳的分割效果,直方图的拟合精度和图像分割的鲁棒性都得到了有效的提高。高斯模型只能拟合对称分布,Gamma模型既能既能拟合对称分布也能拟合非对称分布,但是在偏度不为零的分布中,特别地针对于呈正偏分布的直方图,本文又提出了基于对数正态分布统计模型的直方图自适应多阈值图像分割算法。该算法首先利用矩估计对每个对数正态分布模型的拟合参数进行估计,然后通过区域的一致性测度准则和合并准则对直方图进行分裂与合并,最后对参数估计进行实验测试,把呈正偏的对数正态分布噪声加入到图像并进行实验和测试。结果显示,该方法能比高斯拟合法和Gamma拟合法取得更理想的分割效果,对数正态分布能更好地拟合非对称直方图中呈正偏分布和噪声为对数正态分布的图像。