作为图像理解和图像标注等任务的前导工作,图像分割一直是图像处理领域的一个热点和重点问题。本文首先从图像特征描述方法入手进行分析,提出一种基于视觉模型神经元激活度的图像纹理特征,并通过其特点分析,提出一种有效分割算法。然后对基于区域合并的分割算法进行改进,在类间方差最大化准则下,提出一种平衡分割策略。最后在此基础上通过改进的二叉分割树算法进行自适应分割。　　在基于视觉模型神经元激活度特征的纹理分割方面,我们首先对视觉模型的提出、原理和训练过程做简单的回顾,然后详细阐述了基于视觉模型神经元激活度的纹理特征提取方法,以及基于这种特征的图像纹理分割,通过在Berkeley Segmentation Database测试集所选图片的分割测试,证明了特征的描述能力和本文算法的有效性。　　在基于颜色特征法图像分割部分,我们从一个过分割开始,研究在保证平衡分割的前提下进行区域合并和二分选择策略。为了用户可以更方便地控制分割精度,我们将区域个数作为分割参数。由于自下而上的区域合并策略属于局部最优策略,我们采用自上而下的分割选取策略,产生一个分割区域个数不断增多的平衡分割序列。由于采用了类间方差最大化原则,保证了每次分割选取的平衡性效果。为了解决计算所有分割的大计算量问题,我们在最小生成树的割集系统所确定的解空间中查找最优解,保证有效性的前提下,大大减少了计算量。通过与多尺度归一化割算法(multiscale N-cuts)在Berkeley SegmentationDatabase的分割结果进行对比,我们发现本算法有一定程度的分割准确度和效率优势。　　为了适应用户需要自适应分割参数的选取的需求,本算法在分割排序的基础上,提供了基于二叉分割树(BPT)分析的分割精度选取的策略。通过在前人结点评价和选取策略上的改进,使本算法适合于大多数分割任务的精度选取,得到了较好的效果。