图像和信号处理中存在着大量包含模型和参数等不确定性因素的求解问题，如何确定这些不确定性参数一直以来是该领域不可回避的难点问题之一。本论文针对这些问题建立概率图模型，而后基于马尔可夫链蒙特卡罗(Markov Chain Monte Carlo，MCMC)进行未知参数的推理，包括混合α稳定分布模型参数估计、图像自适应多阈值分割及应用、液晶显示器色度特征化、图像中的直线检测等问题。研究中结合分层的有向无环概率图模型的构建及推理技术，同时结合贝叶斯知识进行建模，而后主要研究基于马尔可夫链蒙特卡罗及跨维马尔可夫链蒙特卡罗法(Trans-dimensional Markov Chain Monte Carlo，TDMCMC)的贝叶斯推理方法，实现模型阶次和参数的联合寻优。　　首先，对分级的有向无环概率图模型的构建及基于．MCMC及TDMCMC方法的贝叶斯推理方法进行了研究。主要包括图结构的建模及参数推理，涉及概率图的结构学习和参数联合寻优理论研究。结构学习方面，通过讨论参数跨维转移核设计理论，保证模型以一定的概率在不同阶次的模型之间进行可逆跨维转移，实现参数和结构的联合寻优，从而实现优于AIC、BIC等信息准则对所有候选结构进行评分的结构学习方法。另一方面，重点以混合α稳定分布为研究对象，实现了该问题的分层有向无环概率图的建模及其参数贝叶斯推理，用于对非高斯数据的描述。　　其次，提出基于混合α稳定分布及概率图模型的图像自适应多阈值分割方法。鉴于已有的基于RJMCMC及MRF理论的图像自适应分割算法复杂，耗时过长不适合实时性要求较高的工业应用场合；另外，鉴于很多文献将图像直方图看成符合混合高斯分布并不理想。本论文在前期混合α稳定分布的研究基础上，结合图像直方图建立含有分布元个数的混合α稳定分布的有向无环概率图模型，并提出基于TDMCMC的模型参数联合后验推理方法，实现图像的自适应多阈值分割。针对国际标准测试图像、单晶炉拉晶图像和医学核磁共振图像进行了测试，实验结果表明，本论文提出的自适应多阈值图像分割方法效果较好，优于EM算法。　　而后，提出基于TDMCMC的贝叶斯自适应多项回归方法，同时将该方法应用在液晶显示器的色度特征化过程中。针对多项式回归问题，建立含有多项式系数和多项式阶次的概率图模型，而后基于TDMCMC抽样进行贝叶斯推理，实现能够自适应确定多项式阶次的贝叶斯多项式回归方法。另外，相同的RGB颜色值在不同的显示设备上往往颜色有差异，因此有必要建立一个彩色显示器色度特征化方法，使RGB颜色转换到设备无关的CIELAB颜色空间。为解决该难题，本论文在自适应贝叶斯多项式回归研究基础上，借助多项式描述RGB与CIELAB之问的非线性关系；提出一种基于MCMC和三元多项式回归的自适应贝叶斯颜色空间转换模型，实现液晶显示器的色度特征化核心过程。和提出的基于混沌粒子群和实现的最小二乘的颜色空间转换方法进行了比较。实验结果表明，本文提出的方法精度更高。最后，本论文针对图像中的直线检测问题，提出了一种不同于传统Hough变换的方法，将直线检测问题转换为阵列信号处理问题，同时建立了该问题的概率图模型，基于MCMC和阵列信号处理理论实现了图像中的直线检测。进行了仿真图像测试，表明了本文提出方法的有效性。