Markov随机场(Markov Random Field,即MRF)理论已经广泛应用于计算机视觉及图像处理领域中,它提供了方便而直接的方法以概率来描述图像像素具有的一些空间相关的特性,MRF与Gibbs分布的等价性的提出极大的推广了其在数字图像处理中的应用,MRF中联合分布的概念提出又为研究者提供了在贝叶斯体系下进行图像处理的MRF模型。本文应用MRF理论解决数字图像处理中的三个典型的问题: 二值图像复原有着广泛的应用,例如指纹图像预处理, 文本图像复原等,基于MRF的复原算法将原图像看成是一个Markov场,以此作为先验知识来进行最大后验概率密度估计。如何进行最大后验概率密度估计(MAP)的计算是图像复原的关键之一,经典的确定性松弛算法和随即松弛算法在收敛速度和全局收敛性上各有优势,本文提出一种改进的模拟退火算法,在迭代计算过程中动态修改ISING模型中的耦合系数,加快其收敛过程,有效的复原被强高斯噪声污染的文本图像。图像分割是数字图像分析中的重要环节,基于MRF的图像分割方法用Gibbs分布中的参数表征图像的不同纹理特征,对图像中噪声的影响有较好的抑制作用,本文讨论一种有别于经典模拟退火(SA)算法、Gibbs采样算法和条件迭代模式(ICM)算法的伪统计松弛算法,该算法通过首先用一个近统计过程的计算为近确定过程提供一个好的初始分割,然后通过近确定性过程的计算快速收敛到局部极值点,得到最后的分割结果,实验证明该算法在计算速度和全局收敛性上都有较好表现。目标单帧检测算法利用单帧图像内部信息,根据图像平面内目标和背景特征的差异,对目标和背景进行分离。Gibbs分布中能量函数能够表征局部图像的纹理统一特性,利用这种特性,文中提出的基于MRF的目标检测算法搜索出单帧图像中目标可能存在的区域,再在该区域内分割出所需的目标。