随着人类在极地地区活动次数的增加以及全球温度逐年上升的趋势表明,人们对海冰检测上的需求将会增加。由于星载合成孔径雷达（Synthetic Aperture Radar,SAR）系统具有云层穿透能力强、能昼/夜操作以及其广阔的覆盖范围等独特的优势,每年成千上万的SAR海冰图像需要处理以支持其业务化活动^[1][2],如船舶航行和环境监测等。为此,大容量的卫星数据的快速处理与解译是迫切需要的。由于采集的SAR数据很大,手工解译非常耗时,因此希望通过计算机可以对其进行自动解译。目前,在基于非监督算法对SAR海冰图像进行自动分割过程中,仍然需要解译人员根据先验知识手动输入类别数,再对SAR海冰图像进行自动解译。另一方面,常用的GMM（Gaussian Mixture Model,GMM）中初始聚类中心为随机的,导致分割精度不高,运行时间过长等问题。针对上面问题,提出在已有的MRF（Markov Random Field,MRF）算法中加入最佳拟合检验（Goodness of Fit,GOF）判断图像类别数,达到对图像进行自动分析的目的。针对GMM中初始点随机选取问题,我们提出了K-GMM算法,在K-means聚类中集成了合并操作,为GMM算法提供初始聚类中点,提高了分割精度与减少了分割时间。与前人的研究方法相比,本文的研究方法不同地方主要有以下两个方面:1.提出了一种基于GMM模型与K-means的改进分割方法。该算法在K-means聚类中集成了合并操作,为GMM算法提供初值,取代以往GMM算法中初始点的随机选取过程,减少了参数优化过程的迭代次数,降低了算法的复杂度,内部测试表明在一定程度上可以提高分割精度与减少分割时间。2.为了解决分割算法中需要手动输入类别数的问题,基于SAR图像类别中的特征数据近似为单峰分布的特点,在已有的MRF算法中加入GOF来判断GMM概率密度函数与图像的拟合程度,在一定置信水平下,通过分析GMM模型的显著类别权重,来确定图像类别数,并把此时的特征模型参数一同输出至分割算法中。从而达到对图像进行自动分析的目的。