图像分割是图像处理中最基本最重要的研究内容之一，是成功进行图像分析、理解和描述的关键技术。近年来一些学者将模糊理论应用于图像分割，效果好于传统方法，但是经典的模糊图像分割方法仍然存在计算量大等问题。此外，经典的边缘检测算法，在处理对象和背景差异较大的一类图像时，得不到合适的图像边缘和分割效果。基于上述原因，本文研究了基于模糊理论的图像边缘分割算法和基于数理统计的模糊边缘分割算法，并针对其不足之处进行了改进。主要研究成果归纳如下：首先，研究了模糊理论在图像处理中的应用，得出了应用模糊集合理论进行图像处理的一般步骤：图像的模糊化；模糊集元素隶属度的修改（模糊增强）；去模糊化。其次，在系统分析了经典的Pal.King模糊边缘检测算法的缺陷的基础上，针对其隶属度阈值设置为固定值的不足，提出模糊增强变换中最佳隶属度阈值的自动算法，设计了一种新的隶属度函数，由此简化了复杂的变换和逆变换运算，该算法时间效率较高，图像的模糊边缘检测能力也有了明显的提高。再次，当要提取的对象与整幅图像的大小不成比例时，经典的边缘检测方法和阈值分割算法的分割效果都不能令人满意。针对这一问题，我们将数理统计和模糊理论相结合，选用新的函数择优标准，该算法在对这类图像进行处理时能获得较好的效果。最后，通过实验，对上述的研究内容进行验证与分析，将实验结果与现有的分割方法进行对比，验证了方法的正确性和有效性。