感兴趣区的提取在图像质量评估和基于内容的视频编码研究中越来越受到人们的重视。图像分割算法作为图像工程的基础，是感兴趣区提取的关键。模糊C均值算法作为一种经典的静态图像分割算法，虽然可以很方便的处理边界变化不明显的图像的分割，但是因为它通常在特征空间进行而忽视了图像像素之间的空间位置，往往得不到很好的分割效果。动态图像的分割算法由于多为迭代算法，因此计算时间很长，不适合用于实时分割。 本文首先研究了各个类别的图像分割算法，分析了他们各自的优缺点，并着重讨论了基于模糊C均值的静态图像分割算法的不足：忽略像素间空间位置关系而只考虑像素间的特征信息，提出了一种改进模糊C均值聚类算法，融合了像素间的空间信息。该算法选择颜色作为特征，首先进行颜色的矢量量化，再通过优化由N Zahid等人提出的有效函数来确定聚类数，然后利用模糊C均值聚类算法在特征空间进行初始分割，最后利用本文定义的去噪以及合并规则来进行再次分割。由于本分割算法针对静态自然图像，因此本文中选择加州大学伯克利分校的David Martin等人提供的主观图像分割库为标准，随机选择了其中的25幅自然图像，使用由David Martin等人定义的全局一致性误差作为评价参数，来评价融合空间信息前后的模糊C均值算法的改进程度。评价结果表明，融合空间信息后的模糊C均值算法的全局一致性误差降低了12．83％，改进后的分割算法更加接近主观分割结果。 为了进一步验证该本文中提出的图像分割算法的分割效果，将该算法应用于主观实验中进行感兴趣区的提取。该算法可以根据实验者在实验中所标注的任意形状的标记，自动提取出他所关注的整个区域，避免了不同实验者在实际关注图像的同一区域时，给出不同的感兴趣区。 针对动态图像的分割计算量大的缺点，本文提出了一种综合运动方向预测和边界匹配的物体边界跟踪算法，并且将该算法的跟踪结果和经典的均值偏移算法进行对比。比较结果表明该算法具有比均值偏移算法节省了29％的运算时间，而跟踪结果并不逊于均值偏移算法，可以用于实时跟踪。为了验证本算法对噪声的鲁棒性，本文为测试序列人为添加了方差为0．5的高斯噪声，同样取得了比较好的跟踪结果，表明本算法同样适合于低质量序列边界的跟踪。