随着计算机等科学技术的快速发展,以计算机技术为支撑的机器人应用也越来越广泛。机器人视觉图像分割是移动机器人目标识别、跟踪和视觉导航等的基础,图像分割结果将直接影响到特征提取、目标识别和跟踪等后续高等级视觉处理的准确性。基于马尔科夫(Markov Random Field,MRF)随机场模型的图像分割方法将数学统计学和估计理论引入到图像分割中,通过贝叶斯理论有效地引入了图像的先验信息,充分考虑了图像中相邻像素之间的空间相互关系,具有较少的模型参数,且易于扩展,因此该方法已成为计算机视觉图像分割处理领域的一个研究热点。首先,本文以机器人视觉(Robot Vision,RV)图像为研究对象,针对其模糊、噪声较多等特点,对目前国内外已经提出的众多图像分割方法进行对比分析,选择将MRF分割方法引入到RV图像分割中,对MRF分割方法进行了系统的研究。其次,由于RV图像的复杂多样性,传统的MRF分割难以取得较好的分割结果。为解决这一问题,本文提出一种基于四叉树分解的条件迭代(Iterative Conditional Mode,ICM)分割算法,充分考虑了图像中不同区域的纹理特性,构造了一种变耦合系数的分割模型:针对ICM算法中定耦合系数分割精度不高的特点,将四叉树分解引入到算法求解过程中,根据分解得到的不同区域各自的特性,对其赋予不同的耦合系数,得到一种适应区域特性的变耦合系数ICM算法。通过对不同图像进行分割实验,与传统ICM算法相比,结果表明改进算法对图像的适应性得到改善,分割可靠度得到提高,有效地提高了分割精度,分割结果更加细腻和准确。最后,对本文所做的主要研究工作和取得的研究成果做了一个总结,并对以后的发展趋势和需要进一步研究的地方进行了展望。