图像分割应用于人工智能、遥感、医学等领域。图像分割结果的质量会对后续识别、分析有重要影响，因此图像分割成为一个重要课题。在图像分割领域中，纹理是一个非常重要的特征。纹理在自然界中呈现出多种表达形式，它们不但具有复杂的结构、不规则的排列模式，而且还具有很强的随机性。目前，纹理分割方法大都存在一定的局限性，因此对纹理图像分割方法的研究始终是重点问题。通过阅读大量文献，学习灰度共生矩阵方法和MRF(Markov Random Field，马尔可夫随机场)方法并深入研究两种方法，本文提出了基于灰度共生矩阵和MRF的纹理图像分割方法。综合考虑单尺度MRF的空域模型和空间像素相关性，采用联合灰度信息的灰度共生矩阵进行FCM（Fuzzy C-Means）聚类；建立MRF的标号场和特征场，利用它们之间的相互作用，获得最大后验概率MAP(Maximum A Poseter)并进行优化从而完成分割。多尺度MRF纹理图像分割是通过不同的分辨率进行图像分析，因此它具有计算复杂度低、收敛速度快、过分割现象少等特点。采用联合灰度信息的灰度共生矩阵与多尺度MRF结合，使得纹理信息从邻域系统、空间相关性以及多尺度等方面一同进行描述。实验表明，基于灰度共生矩阵和单尺度MRF的纹理图像分割法的准确度与一致性高于灰度共生矩阵法、单尺度MRF法；基于灰度共生矩阵和多尺度MRF的纹理图像分割的准确度与一致性高于灰度共生矩阵法、多尺度MRF法。其中，基于灰度共生矩阵和单尺度MRF的纹理分割法的分割准确度与一致性均高于基于灰度共生矩阵和多尺度MRF的纹理图像分割法。这是由于多尺度最低分辨率的纹理特征描述存在细节信息的缺失，所以基于灰度共生矩阵和多尺度MRF的纹理图像分割法比基于灰度共生矩阵和单尺度MRF的纹理分割法的分割准确度与一致性略低。综合看来，基于灰度共生矩阵和MRF的纹理图像分割方法能够使得纹理信息表达充分，提高了分割的准确度与一致性。