图像分割是图像处理中的重要问题，也是计算机视觉研究中的一个经典难题，图像分割质量的好坏直接影响后续的识别和理解。尽管研究人员提出了许多分割方法，但到目前为止还不存在一种通用的方法。 本论文全面论述了纹理图像分割的意义、作用及国内外技术发展概况，介绍了基于统计和空间／频域的纹理特征提取方法以及基于模糊聚类神经网络的分割算法。针对纹理分割过程中存在的一些问题，对算法进行了改进，并进行了仿真实验。 本文的主要工作如下： (1)通过对不同分形维数的比较可知，改进的盒子维数和分形布朗维数较适合纹理的描述。本文将改进的盒子维数和Laws能量相结合，对纹理图像和含噪声的图像进行了仿真实验，取得了较好的分割效果。 (2)方向性是纹理的一个基本特征。为了利用这种特性，将纹理图像和Laws模板相卷积，分别滤出图像的水平边缘、垂直边缘和对角边缘。计算相应方向上的布朗分形维数，作为纹理特征。对特征进行分类，完成图像的分割。本文对此方法进行了仿真实验。 (3)利用SAR模型进行纹理分割时，窗口取的过小，将使估计的特征值不准确；过大，将使分割图像边界的定位不精确，这是由于在边界处所提取的特征值存在过渡。而小波变换具有良好的时频局部化特征、尺度变化特征。因此本文将这两种方法相结合，通过粗分割和细分割两个阶段实现纹理图像的分割，取得了良好的分割效果。 (4)如何确定网络结构是RBF神经网络的重要问题。网络规模过小不能充分学习样本数据；过大，则容易出现过度拟合和泛化能力降低等问题。针对此问题，本文采用混合递阶遗传算法优化RBF神经网络，该算法是递阶遗传算法和线性回归的结合。通过优化，RBF神经网络结构的复杂性降低了，学习速度加快了，更加适合图像分割。