类圆形颗粒图像分析是当前图像处理、计算机视觉领域的一个备受关注的研究课题，在医学细胞分析、工业工件粒度测量、农业果实品质分析等各种应用领域都有广泛的应用前景。颗粒分割是其中一个尤为关键的核心问题，分割性能的好坏直接影响颗粒分析结果的准确度。然而，当类圆形颗粒图像中的大量颗粒同时存在形状尺寸不规则、排列紧密堆叠，相互之间纹理、灰度相似等因素时，将堆叠形成的大量复杂颗粒组合结构准确分离成独立的颗粒个体，并有效提取各个颗粒的完整轮廓将变得异常困难，这也给经典的图像分割方法提出了新的挑战。本论文选取形状尺寸不规则，相互之间纹理、灰度相似且存在堆叠的大量类圆形颗粒图像作为研究对象，围绕颗粒分割问题中的两大难点问题即颗粒分离和完整轮廓提取展开研究和探讨。具体的研究工作如下：针对本论文研究对象中一类相互尺寸接近、并且标准尺寸已知的类圆形堆叠颗粒，提出了基于模糊梯度卷积核的分水岭分割算法。该算法首先定义一个隶属函数宽度为2*r的模糊梯度卷积核OFSC，有效描述各颗粒目标的不规则形状、尺寸先验知识；然后通过卷积操作使各颗粒的目标边缘点针对其偏离标准圆环的程度，对真实颗粒中心进行软投票，对应生成形状呈现单峰、且峰值差异较小的中心标记增强结果；在此基础上基于标记控制分水岭分割框架，给出了颗粒中心标记提取、梯度图灰度分布重构等关键步骤，实现了堆叠颗粒的有效分割。仿真实验结果证明：针对各种堆叠程度不同的真实堆叠颗粒图像，该算法均能有效抑制原有算法存在的中心增强峰值扩散问题，提高中心标记提取准确性，有效减少传统分水岭分割方法存在的严重过分割现象。针对工业领域中最为典型的一种标准尺寸已知堆叠类圆形颗粒目标——棒材端面颗粒，将模糊梯度卷积核方法应用到某在线棒材计数系统开发中，实现了对在线棒材端面中心的有效识别、准确定位，并能满足系统实时性要求。针对本论文研究对象中一类相互尺寸差异较大，且先验尺寸未知的类圆形堆叠颗粒，提出了自适应h minima变换的改进分水岭分割算法。该算法首先利用不同h值h minima变换抑制传统分水岭初始分割产生的种子噪声；并以对应候选种子为中心，分别采用改进K-均值算法合并初始分割区域，产生候选分割结果；然后，基于颗粒形状先验定义了一个新的圆度度量指标FuzzyR,并将堆叠颗粒平均圆度最大作为优化目标，将各堆叠区域最优h值的提取问题转换为改进K-均值算法的聚类类别数目的优化问题来解决，自适应地为各个堆叠区域选择了最优h值，实现了各堆叠区域的最优分割；仿真实验结果证明：针对人工合成和各种真实类圆形颗粒图像，本算法均能有效抑制过分割、减少欠分割，分割性能显著提高。针对本论文研究对象的颗粒轮廓提取问题，提出了一种基于可选形状约束耦合Snake模型的两阶段堆叠颗粒轮廓重构算法。该算法在粗分割阶段采用上述两种改进分水岭算法实现堆叠颗粒分离，有效获取各颗粒的非遮挡证据边缘，并构建合适的椭圆形状先验模型；在局部拟合重构阶段，将椭圆形状约束力以可选方式式引入耦合Snake模型能量函数中，让各个堆叠颗粒轮廓在同步迭代演化过程中，椭圆形状约束力只针对各个颗粒堆叠区域的边缘轮廓进行约束，保证在重构被遮挡轮廓边缘的同时，非堆叠区域轮廓能更加真实地拟合实际颗粒目标边缘。仿真实验结果证明：针对各种人工合成和真实堆叠颗粒图像，本算法能有效重构相互堆叠颗粒的完整轮廓，相较于其它方法，提取的轮廓在Dice和Jaccard等性能指标上均有提高。