图像分割在数字图像处理中有着重要的地位，是从图像处理到图像分析的一个关键步骤；它是为了进一步对图像进行分析、识别、压缩编码等处理的图像预处理环节，其分割结果的准确性对下一步的图像处理工作有直接影响。图像分割是目标表达的基础，将很大程度上影响到特征的测量；另外，原始图像可以通过图像分割及其基于分割的目标表达、特征提取和参数测量等方式方法转化为更抽象、更紧凑的图像形式，进而能够进行更高层次的图像分析与理解。图像分割的要点是：把图像划分成许多个没有交叠、特性不相同区域的集合并提取所需目标的过程；这些特性区域或是对当前的任务有意义，或是说明它们与实际物体或者实际物体的某些部分之间的相互关系，这些特性可以是图像的灰度、颜色、纹理等。当前常用的图像分割算法几乎都是基于确定性方法的，但是在数字图像信息的处理过程中有着许多的不确定性，并且人类对知识的认识也经常表现为不确定性。因而，表达、评价和降低提取目标信息的不确定性的研究成为图像分割中一个重要的研究方向。以模糊集理论和概率统计为基础建立的处理空间数据挖掘中不确定性问题的一种新理论就是云理论。它用云模型中云滴的不确定度描述论域空间中各数据元素与其核心概念的远近关系，云滴的确定度越大，数据元素越接近概念中心；云滴确定度越小，数据元素越远离概念的中心。正是基于这种不确定度量，云理论的基本思想及其云模型方法才有可能较好的被运用到图像分割中。实验表明，由于云理论能对概念的不确定性很好地表达和降低概念分层的不确定性，这使得图像分割中存在的不确定性问题能得到很好的、有效地处理。针对区域生长法中的种子点选取和不确定信息的处理问题，本文提出了一种基于云理论的区域生长图像分割方法。该算法首先利用图像的全局信息获取区域生长的种子点，具体是以云变换生成的正态云模型期望曲线的交叉点作为生长区域的起始种子点，并且将区域生长过程中的生长准则选取为极大判定法则，然后分割区域由定量的像素集合到定性的云概念的转换过程使用逆向云算法完成，再将相邻的若干个生长区域用云综合算法进行合并，从而实现对不确定性信息图像的区域生长分割。仿真实验结果表明，该方法较其它方法能更好的的处理图像中的不确定性信息，且获得了良好的实验结果。