图像分割是进行目标识别、运动估计、场景重构等高级视觉信息处理的前提和基础,也是连接低视觉和高级视觉的纽带。很多图像都包含着大量的纹理信息,纹理图像的处理更是在遥感图像和医学图像处理、分析等领域有着广泛的应用。如何应用适当的模型来建模描述图像纹理特征非常关键,而马尔科夫随机场模型有着完善的理论基础和良好的空间表达能力,对于复杂的纹理特征也可以恰当的描述,因此本文重点介绍了以马尔科夫随机场模型为基础的图像建模、分割方法,依据提出的分割方法不同,大致可分为三部分:首先提出了一种基于马尔科夫随机场模型(MRF)的变权重图像分割方法。在传统的邻域势函数基础上引入图像邻域像素间的关系,来描述像素被分入同一类的可能性。根据贝叶斯理论将图像分割问题转化为最大后验概率(MAP)的求极值问题,此时引入一个可变的权重参数来连接标记场模型和特征场模型,运用条件迭代模型(ICM)进行优化,获得分割结果。实验中,将提出的算法与K均值算法和传统MRF相比较,该文方法具有实效性和一定抗噪性。然后提出了针对分层马尔科夫模型在用期望最大(EM)算法进行参数估计时,隐变量之间相互作用而导致求期望值较难的问题,本文将均场理论应用到GMRF模型的估计中,使得模型的参数可以通过简单的线性方程在不必使用窗函数的情况下求出。而对于固定势函数和变权重势函数不能表达图像区域间节点交互关系的缺点,本文提出了一种基于贝叶斯传播算法的交互势函数。实验证明了本文算法分割后的图像不仅具有良好的区域性,而且区域内部平滑,改善了传统小波域分层马尔科夫模型在分割区域内部存在混分的现象。最后提出了基于小波域分层Gauss-Markov随机场模型(WGMRF)来描述纹理图像的非平稳性。多尺度随机场模型只考虑尺度内因果MRF模型来描述局部统计信息,这样的分割结果是不能令人满意的。为了改进这一问题,我们用Gauss-Markov随机场模型去建模,同时考虑尺度间局部空间交互信息。使用无监督的方法训练图像参数并且用多目标解决方法优化最大后验参数估计。实验结果表明无论在纹理图像或加噪纹理图像的分割比WMSRF方法无论在视觉上还是分割正确率上,都较为优异,并且更具鲁棒性。