图像分割是图像工程中极其重要的一环,但是图像分割至今尚无通用的自身理论,因此寻找优秀的图像分割算法具有重要的意义。极限学习机作为一种新兴的机器学习方法,设计之初,极限学习机的核心考虑就是:快速学习、减少干预、高准确度。将核函数引入极限学习机就可得到核极限学习机,相比极限学习机,核极限学习机具备更加优秀的性能,多用于特征学习以及多分类问题当中。目前将核极限学习机应用于图像分割的文献研究较少,本文研究得出的以下分割算法并将其应用到彩色图像分割中取得了较为优秀的分割效果,具有一定的应用价值。本文先是设计了基于显著图的核极限学习机图像分割算法。该算法首先对原彩色图像进行显著性检测,得到显著图,然后对显著图进行二值化、腐蚀化操作,最终得到腐蚀后的前景区、背景区,从中选择训练样本点,提取特征属性,训练核极限学习机,得到的核极限学习机分类器用于原彩色图像的分割。该分割算法获得了较为优秀的分割效果,从而也说明了核极限学习机作为一种优秀的分类器用于图像分割具有广阔的前景。然后又引出了模糊C均值(FCM)预分类的核极限学习机方法。该算法考虑到上述分割算法选取样本点的流程稍显复杂,且不能做到自选择,因此采用FCM预分类训练样本,本文实现了三种FCM预分类核极限学习机算法(FCM-KELM),同时将这三种算法与FCM预分类的BP神经网络、最小二乘支持向量机、高斯核支持向量机,做对比实验分析,实验结果表明FCM-KELM图像分割算法是一种高效的图像分割算法,既能做到快速分割,分割精度也相对较高,具有一定的应用价值。最后在解决提高分割精度、参数不再按经验来选取的问题上,给出了相应的优化策略:将多项式核与高斯核进行凸组合构成多核极限学习机,采用粒子群优化算法寻优多核极限学习机最佳参数,最终得到了FCM预分类的粒子群优化的多核极限学习机图像分割算法。实验设计分析说明,该算法与FCM-KELM算法相比,分割时间稍长,分割精度较高,达到了较好的分割效果。