随着科学技术的不断发展，人们对图形图像认识越来越广泛，图形图像处理的应用领域也将随之不断扩大。但是有些图像很繁杂，而我们只需要其中有意义的一部分，图像分割就是将图像分为一些有意义的区域，然后对这些区域进行描述，就相当于提取出某些目标区域图像的特征，随后判断这些图像中是否有感兴趣的目标。 数字图像分割是数字图像处理中的一项关键技术，它通常是为了进一步对图像进行分析、识别、压缩编码等处理的图像预处理环节，其分割的准确性直接影响后续任务的有效性，因此具有十分重要的意义。自20世纪70年代起一直受到人们的高度重视，至今已提出上千种分割算法，但因尚无通用的分割理论，致使目前提出的分割算法大都是针对具体问题的，并没有一种适合所有图像的通用分割算法。另外，还没有制定出适用于分割算法的标准，这给图像分割技术的应用带来许多实际问题。最近几年又出现了许多新思路、新方法和改进算法。 为了寻找快速有效的图像处理方法，信息理论越来越多地渗透到图像处理技术中。文章介绍了信息熵在图像处理中的应用，总结了一些基于熵的图像处理特别是图像分割技术的方法，及其在这一领域内的应用现状和前景。 信息熵是信息论中用作某事件不确定度的量度。本文以信息论为基础，利用信息熵的概念来衡量图片中所含信息量的大小以达到我们找到我们最感兴趣的图片区域的目的。文章重点介绍了几种常见的利用信息熵理论的图象分割算法，分析与研究了算法的原理，应用相应算法进行实验并得到了良好的结果，对几种算法的结果进行了比对。 阈值分割法作为一种常见的区域并行技术，就是用一个或几个阈值将图像的灰度直方图分成几个类，认为图像中灰度值在同一类中的像素属于同一物体。由于是直接利用图像的灰度特性，因此计算方便简明、实用性强。显然，阈值分割方法的关键和难点是如何取得一个合适的阈值，而实际应用中阈值设定易受噪声和光亮度影响。阈值分割的优点是计算简单、运算效率较高、速度快。全局阈值对于灰度相差很大的不同目标和背景能进行有效的分割。当图像的灰度差异不明显或不同目标的灰度值范围有重叠时，应采用局部阈值或动态阈值分割法。 另一方面，这种方法只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。在实际应用中，阈值法通常与其他方法结合使用。本文所探讨的各种基于信息论的图像分割算法都是阈值分割算法中的分类。文章先是介绍了图像处理的现状，包括图像处理中的应用以及分类。随后提出了图象分割的概念，详细地介绍了图像分割的定义，研究得发展趋势和以后的前景，以及图像分割的方法分类等等。接着在下面的章节中介绍了信息理论的一些相关知识，包括信息熵概念的公式提出以及熵原理的基本性质。随后在第四第五章中着重介绍了几种基于信息论基础并结合传统的图像分割理论的方法，总结了一些基于熵的图像分割技术的方法，其中包括一维最大熵，二维最大熵分割法，还有在此基础上提出的关于应用交叉熵理论的分割方法，对这些方法进行了大篇幅的步骤介绍和分析，详细的探讨了每种算法的优劣以及最终实验结果的比较分析。文章大量介绍了这几种方法的算法结构及思路，然后通过例图的分析，计算，处理等工作得到了实验结果。从这些结果来看这些方法都有较好的实用性，能广泛应用于多种图像分割领域。在最后的章节中文章还就几种方法的结果作了一定的展望，并提出了以后的值得改进和需要发展的地方。