道路图像分割的问题是移动机器人视觉导航研究中的重要内容及难点问题。在实际生活中,道路通常可以分为结构化道路和非结构化道路。其中结构化道路一般是指高速公路、城市道路等部分结构化比较好的道路,这些道路具有较清晰的车道线、比较明显的道路边界；而非结构化道路一般是指越野环境、乡村道路等结构化程度比较差的道路,这些道路与结构化道路恰恰相反,它们没有清晰的车道线,也不具有比较明显的道路边界。由于道路本身环境的复杂性,使用传统的分割方法对道路图像进行分割会使得图像分割的结果错误率较高。因此为了解决上述问题,本文的研究主要有以下几个方面：(1)研究了马尔科夫链蒙特卡罗(MCMC)方法,介绍了该方法的起源,以及马尔科夫链与蒙特卡罗的模拟,研究了MCMC方法的基本思想并阐述了常用的两种MCMC方法——Gibbs抽样方法和Metropolis-Hastings算法,并分析了马尔科夫链的收敛性。(2)研究并实现了基于马尔科夫链蒙特卡罗方法(MCMC)的道路图像分割算法,为了适应以数据方式存储的道路图像,首先将图像分割问题公式化,从而使得对道路图像的分割更加直接有效。同时,建立数学图像模型以提高图像分割的完整性,分割结果更加精确且误差较小。相比传统图像分割来说,该方法能获得更好的分割效果,区域之间的边界分割也更加清晰,错误率较低且耗时更少。(3)为了加强道路图像的分割效果,本文研究并实现了基于马尔科夫链蒙特卡罗方法以及遗传算法(MCMC-GA)的道路图像分割算法。由于GA算法的交叉、变异和选择操作,闭合的马尔科夫链更加趋于稳定,因此MCMC-GA方法能获得更好的分割效果且误分割率更低。实验结果证明相比MCMC方法,MCMC-GA方法误分割较少,分割的结果也更加清晰。