数字图像分割技术是将具有相同特征的像素点划分到同一个区域，其应用范围主要包括医疗、军事工程、以及民用工程等领域。数字图像分割一般包括以下两种方法:一种是基于统计理论的有限混合模型方法，另外一种是主动活动轮廓方法，第二种方法要用到偏微分方程，最典型的算法包括水平集等等。　　本文主要研究的是基于有限混合模型的数字图像分割算法，并在以下几个方面做了较深入的探究。　　首先，论文详细介绍了现有的有限混合模型分割算法，其中包括经典的基于高斯分布的有限混合模型和基于学生t分布的有限混合模型，并对这两个模型进行了比较，发现学生t分布的混合模型可以通过调节自由度提高重拖尾情况下分割的准确性。　　除此之外，本文改进了传统的学生t分布有限混合模型，提出了一种基于均值模板和马尔科夫随机场的学生t分布有限混合模型。其主要优点在于通过引入均值模板，使本文提出的方法能够考虑到像素的局部邻域空间信息，以提高算法对各种噪声的鲁棒性和分割的准确性。论文最后还给出了标准的自然图像和核磁共振图像的分割结果以验证算法的有效性。　　考虑到在实际应用中，样本数据的分布往往具有非对称形式，如果用具有对称分布的混合模型通常不能达到最佳分割效果。对此，本文提出了一种混合均值模板和马尔科夫随机场的非对称学生t分布有限混合模型，非对称学生t分布的使用使得本文提出的算法具有拟合各种样本数据的能力。最后，各种不同类型的图像分割实验证明了该模型的有效性和准确性。