图像分割技术作为图像处理过程中的非常基础并且重要的技术之一,一直受到人们的研究和重视,多年来,各种各样的图像分割技术被提出,但是至今为止,图像分割技术还没有形成通用的自身理论,这主要是由于随着科学技术的发展,越来越多高性能的成像硬件的出现,使得获取的图像变得更加复杂,细节更加丰富,因此给整个图像处理研究领域带来了更加巨大的挑战。随着各学科许多新理论和新方法的提出,研究学者开始试图把新理论、新方法运用到图像分割中,产生了许多基于特定理论的分割算法。本论文主要以聚类分析基础,提出分层算法模型,并分别采用有限混合模型和模糊C均值两种聚类算法来验证分层算法对图像分割的有效性,论文的主要工作如下:1)研究分析了图像分割技术的基本知识,应用背景以及目前的国内外的研究现状,对典型的图像分割算法进行了总计和归纳,并分析这些方法适用的场景以及存在的缺点,为后续的研究提供方向。2)提出了基于学生t分布的分层混合模型。通过对现有混合模型方法分析发现,传统的有限混合模型对图像的局部信息敏感,受对比度影响较大,甚至产生误分割。本文使用分层的混合模型能够更好地拟合数据,对图像做出正确的分割;其次本文选择学生t分布作为混合模型的条件概率,对图像中可能出现的噪音以及离群点不敏感;另外,本文引入了均值模版作为空间约束条件,降低了噪声的影响,能够使分割出的图像的局部信息更加丰富。3)提出了基于学生t分布的分层模糊C均值(FCM)模型。标准的模糊C均值算法中的欧氏距离对于噪音没有较强的鲁棒性,现有的一些方法已经对标准的FCM做了改进,使用了许多更强大有效的替代函数代替FCM算法中的距离函数。本文提出的分层FCM算法使用鲁棒性较强的学生t分布代替欧氏距离,我们假设距离函数是由一个子FCM估计得到,每一类分类中的距离函数是由两个或三个子分类的FCM所构成,因此可以更好的近似非欧氏距离函数。此外,该算法的分层思想可以扩展到不同的距离函数,因此,我们的算法比标准的FCM具有更好的灵活性和通用性。