由于实际图像中包含了大量的冗余的信息，在图像表征中我们希望提取图像中最本质的视觉信息，在这点上与图像压缩有相通之处，因为在图像压缩中我们去除图像中冗余信息，将人眼视觉系统最敏感的信息保留下来。本文研究了两种图像表征方法：HIMPA和Epitome。HIMPA是独立主元ICA模型和混合概率主元MPPCA模型的混合。Epitome简单来说就是图像的摘要，它包含了图像中纹理信息和形状特征。我们对10幅图像进行了DCT、HIMPA、Epitome的分析比较，并且用PSNR来检测在相同压缩率的情况下图像表征效果。图像分割就是利用区域的相似性或非连续性把图像空间划分成若干个具有某些一致性属性(比如灰度、颜色和纹理等)的不重叠区域，并提取出感兴趣的目标。它是由图像处理到图像分析的关键步骤，其分割性能的优劣往往直接影响到后续的图像处理与分析、特征提取和模式识别等操作。本文研究了三种图像分割算法：SMAP、QBS、HMTseg。SMAP和HMTseg是基于区域的图像分割算法，而QBS是基于边界的图像分割算法。SMAP是一种贝叶斯图像分割方法，它采用多尺度随机场Multiscale Random Field(MSRF)来替代MRF，并且采用有序的MAP(SMAP)估计来替代MAP估计。QBS提出了基于四边形的图像分割框架，它首先从边缘图构造四边形，然后合并具有相似特征的四边形来形成区域，每个分割区域都可以用一些四边形的集合来精确完整地描述。HMTseg是基于小波变换和隐马尔可夫树(HMT)模型的图像分割算法，HMT通过一阶马尔可夫链来捕捉不同尺度下小波系数之间的相关性，利用小波HMT固有的树型结构和它快速训练和似然估计的算法，在不同层次上执行纹理分类，然后用贝叶斯似然图来合并这些不同层次的分类，最后得到一个较可靠的分割结果。我们分别实现了这三种图像分割算法，并且对实验结果，运用主观测评和客观测评方法，进行比较分析。