图像分割是图像工程中一类最重要和最热门的研究内容，其基本操作是把图像分割成一些有意义的、互不重叠的区域，图像分割结果的优劣会直接影响图像后续处理任务的质量。目前研究人员针对不同类型的图像已提出了许多分割方法，基于熵的阈值化分割方法是其中较为简单且有效的一种。Tsallis熵是Boltzman-Gibbs熵的一种广义形式，它能够有效地描述非广延物理系统内部复杂的长程相互作用和长时效应。在图像处理领域中，这种长程相互作用(或长时效应)可以理解为图像内部各个像素点灰度之间存在的关联，且关联的强度可以通过非广延参数q来描述。因此对于某些具备非广延特性的图像来说，基于Tsallis熵的阈值分割方法比基于Shannon熵的阈值分割方法更具普遍性和灵活性。现有的Tsallis熵阈值分割方法基本上都假设图像内部存在全局性的长程关联，然而对于一些目标可任意变化的图像来说，我们根据先验知识可以判断出目标和背景之间应该不存在关联，但目标内部或背景内部却可能存在关联性。也就是说图像内部存在的仅有局部性的长程关联而非全局性的长程关联。为此，我们对现有的几种Tsallis熵阈值法进行了改进，具体的说，本文做了如下研究工作：首先，分析了最大Tsallis熵阈值方法存在的不足，针对这些不足之处进行改进，提出了新的Tsallis熵阈值分割方法，并给出了合理的q值取值范围。实验结果表明，该方法对于红外线和无损检测等存在局部长程关联的图像具有良好分割效果。其次，通过构造图像的二维灰度直方图，将上述新方法从一维推广至二维。新的二维Tsallis熵阈值分割方法充分考虑了图像本身的灰度信息以及邻域的空间相关信息，因此它在信噪比(SNR)降低的情况下，仍能取得较好的分割效果。最后，本文对最小Tsallis交叉熵阈值法也进行了类似的改进，提出了新的Tsallis交叉熵的阈值方法。实验结果表明该方法在分割目标和背景之间无明显关联的图像时得到的结果要明显优于最小Tsallis交叉熵阈值法，这也进一步验证了“图像内部各像素灰度之间存在局部性长程关联而非全局性的长程关联”这一假设的有效性。