图像分割是图像理解的基础和关键,也是计算机视觉研究领域的一个经典难题。阈值分割和分水岭分割是两种流行的基于区域的图像分割技术。现有的阈值分割方法往往是针对具有特定直方图模式的图像而研发的,结果它们仅适用于分割具有特定直方图模式的图像,适用范围非常窄。分水岭分割面临的一个主要问题是过分割,抑制过分割的常用策略是增强预处理和区域合并后处理。对生物医学工程领域常见的结构性纹理图像,经过预处理和后处理得到的分割结果要么仍存在明显的过分割,要么会出现比较严重的欠分割。针对阈值分割和分水岭分割存在的上述问题,研究新的阂值分割方法使它尽可能独立于图像直方图模式是一个主要目标；而研究更稳健的分水岭分割技术以便能精确分割结构性纹理图像是另外一个研究目标。针对现有的阈值分割方法往往只能对具有特定直方图模式的图像进行分割的问题,提出了三种新的直方图模式无关的阈值分割方法。首先提出了一种基于多尺度梯度乘的闽值分割方法。从理论上分析了多尺度梯度乘技术在对象定位精度和抗噪稳健性方面的优势,并推导出多尺度梯度乘的滤波次数和滤波尺度的合理取值。通过分析边缘和非边缘像素上多尺度梯度乘输出信息的统计差异性,构造了一个新的用于确定阈值的的辨识函数,并通过最大化这个辨识函数来确定合理的分割阈值。在具有不同直方图模式的合成和真实图像上进行的大量实验表明了新方法的有效性。在含有高斯噪声的图像上的实验也证明了新提出的方法具有更稳健的抗噪性能。基于过渡区的阈值分割方法具有分割不同直方图模式图像的潜能。但是,现有的基于过渡区的方法存在明显的缺陷：对噪声敏感和对特征参数敏感。针对这两个问题,提出一种基于平稳过渡区集的阈值分割方法。该方法认为不同的合理过渡区可以构成一个过渡区的集合,该集合中元素的灰度均值具有良好的稳定性。利用这种稳定性对过渡区所属集合加以甄别以筛选出合理的过渡区集。合理过渡区集的中间元素的灰度均值被作为最终的分割阈值。在大量合成图像和真实图像上的实验表明：和同类方法相比,新方法准确地提取了图像的过渡区,获得了更好的阈值分割结果。提出的第三种直方图模式无关的阈值分割方法是基于模式匹配思想的。提出的方法将部分边缘点集作为参考模式,通过寻找和该参考模式最匹配的阈值分割结果来确定合理的分割阈值。该阈值分割方法采用了提出的一种新的反正切Hausdorff距离作为模式匹配测度。在具有不同直方图模式的真实图像上进行的大量实验表明了新方法的有效性。针对现有分水岭方法分割复杂结构性纹理图像会产生严重过分割或者欠分割问题,提出了一种基于混合控制策略的分水岭分割方法以提取结构性纹理图像中的感兴趣对象。考虑到皮肤纹理图像的代表性和实际工程应用需求,提出的方法以皮肤纹理图像为分析示例。该方法借助于数据驱动的控制和模型驱动的控制来整合低层图像信息和高层先验信息以完成分割。在60幅皮肤纹理图像和其它结构性纹理图像上的大量实验结果表明提出的方法能有效地抑制过分割和欠分割现象。