近30年来，图像分割一直是图像分析和计算机视觉一个活跃的研究方向，大量的图像分割算法被提出。图像分割是图像分析的一个中间环节，分割质量的好坏直接影响后续处理的质量。图像分割是一个重要的难以解决的问题，因为它跟应用有关，通常无法获得图像结构的先验信息。目前，仍没有一个图像分割算法能够对所有图像都具有良好的分割效果。目前，人们正在尝试把人工智能领域的方法应用到图像分割领域，一些方法已经取得不错的分割结果。本文以图像分割为主题，对最小二乘支持向量机（LS-SVM）、高斯混合模型（GMM）和隐马尔科夫树（HMT）模型进行了研究和总结，主要完成了以下工作：1、以最小二乘支持向量机（LS-SVM）理论为基础，使用基于人类视觉关注的颜色特征和基于亮度及纹理内容的纹理特征，利用二维Arimoto熵阈值选取训练样本，最后用最小二乘支持向量机（LS-SVM）分类。选取样本不仅速度快，而且符合人类视觉感知特性。2、以Adapted高斯混合模型理论为基础，提出了一种考虑空间邻域信息的Adapted高斯混合模型图像分割算法。仿真实验表明，该算法的分割结果符合人类视觉感知特性，并且对噪声具有较好的鲁棒性。3、提出对PDTDFB系数的模和相位的局部均值方向建立隐马尔科夫树（HMT）模型的图像分割算法。首先对图像进行PDTDFB变换，然后提取系数的模和相位的局部均值方向，对模和相位的局部均值方向建立隐马尔科夫树（HMT）模型。