图像识别作为一门较新的学科，由于其所应用的范围广阔，医学影像、气象云图、潮汐观测、产品外观检测、人脸识别等等，都需要用到，所以从一出现就受到了广泛关注，其基础就是图像分割。　　本课题通过分析比较多种图像分割的方法，应用到半导体器件的图像分割中，创新性的把非线性特征提取应用到半导体图像的特征提取及图像分割中，取得了良好的效果，为进一步的实用化奠定了良好的基础。　　图像分割作为图像处理、目标识别以及计算机视觉中的一个重要组成部分，已经得到了广泛的重视与研究，不断的涌现出新的分割方法，取得了很大的成果，但是由于目标图像的多样化以及受具体应用场合的影响，大部分图像分割方法可移植性差、计算量较大，对不同的使用场合没有统一的方式。迄今为止，大多数的算法主要集中在线性领域内，本文创新性的把非线性特征提取用于半导体元器件的定位检测，起到了良好的效果。　　在此，将以非线性角度，来具体展示图像的复杂性，重点讨论了基于非线性特征的图像分割技术。对图像的无监督分割与有监督分割分别进行了研究、仿真与比较，拓展了图纹分割的新方法。具体取得如下进展:　　(1)对不同的图纹分割方法进行了详细的分析和比较。对这些方法的优缺点进行了总结，并对其适用性范围、能力和存在的问题进行了讨论。　　(2)在论述非线性科学的基础上，引入了复杂性测度理论，并描述了图像的复杂性，揭示了图像的混沌特性。　　(3)对大量的Uni-Bonn图纹、Brodatz图像、半导体器件图像进行了复杂性测度的特征提取。包括基于矩不变的图像粗粒化预处理、Hilbert曲线扫描方式扫描图像、对图像的分块计算各种复杂性测度等。实验证明，将复杂性作为对于图纹结构的描述，具有良好的可分性。同时，提出的基于矩不变图像粗粒化方法完全根据图像自身的特征选取阈值，分割精度较高，符合实际要求;采用Hilbert曲线扫描方式扫描图像，在保持图像空间相关性的前提下，实现了图像信息的降维重构。　　(4)采用改进的模糊C均值和支持向量机两种不同类别的聚类方法作为图像的特征量的图纹分割方法，分别实现了图像的分割，得到了较好的图纹分割效果。同时，对图纹分割常用的几种方法与复杂性测度方法进行了比较。实验表明，在保持一定的分割精度及正确率的条件下，基于复杂性测度的图纹分割算法所需的运算量最少，效率最高。　　(5)以半导体器件外观识别为例，分析了器件定位设计过程，采用复杂性测度对外观进行了识别，初步确定复杂性测度在器件的识别定位中有很好的前景。　　(6)介绍了半导体器件定位识别系统的设计过程，其中器件定位算法采用了本文前面介绍的复杂性测度作为图像图纹结构的描述，并结合半导体器件本身特点进行分割定位，结果证明具有较好的定位效果。