该论文基于不断发展、成熟的遗传算法,以及在计算机视觉中越来越受到重视的神经网络、信息论、模糊集合理论,采用其中具有普遍意义的概念、方法,并结合传统概率统计和空间结构分析研究图象分割,以提高算法的性能、普适性和理论内涵.该论文在实现图象分割算法的普适性与针对性、理论性与实用性的统一上作了一些尝试.论文工作主要包括:一、提出了四种基于交叉熵和模糊散度的阈值分割算法;二、提出并定义了特征散度的概念,以度量样本之间的差异性,并鉴于传统FCM算法中聚类效果受样本数据的空间分布特性影响,以特征散散度取代欧氏距离重构了FCM聚类算法;三、提出了两种基于二维混合遗传算法的自适应动态图象分割算法;四提出了两种针对特殊场合的图象分割算法.该论文根据对图象分割一般准则的分析,研究越来越完善并被更多的实践所接受的信息论、模糊集合理论、遗传算法和神经网络在图象分割中的应用,提高了分割算法的理论内涵.通过对多种类型图象的分割实验,进一步证实了该论文所提出的九种算法的可行性、普适性和优越性.