图像分割在整个图像工程学领域中占有十分重要的地位，并在计算机视觉、模式识别和人工智能领域中得到了广泛的应用。本文在经典Mean Shift、Grab Cut、Ncut算法的基础上做了大量的研究,提出了基于区域合并的Mean Shift算法、基于二次分水岭预分割的Grab Cut算法和基于Mean Shift预分割的Ncut算法。本文详细的分析了基于概率密度梯度函数估计的Mean Shift算法、基于能量最小化的Grabcut算法的基本原理和算法理论、基于规范割集准则的Ncut算法的基本原理和算法理论，并在每个算法所对应的章节的最后给出了相应算法以及改进算法的仿真结果。此基础上，提出各自对应的相应改进算法，具体改进如下：　　1).本文针对经典Mean Shift算法在对图像进行分割时往往会产生过分割的现象这一缺陷，提出了一种基于区域合并的改进Mean Shift算法。该算法首先会采用经典Mean Shift得到初始分割结果，再通过本文给定的合并准则对过分割的结果进行区域合并，从而消除过分割的现象并得到良好的分割结果。　　2).经典Grab Cut算法具有如下两个缺陷：①分割效率较低；②前景与背景差异性不明显时，分割效果不完整。本文针对上述缺陷提出了基于二次分水岭预分割的改进Grab Cut算法。该算法首先采用二次分水岭对图像进行预分割，并以预分割所形成的像素块替代原图像中的像素点构成图，最后采用Grab Cut进行迭代分割。　　3)经典Ncut算法具有如下两个缺陷：①需要求解特征向量和特征矩阵，因而计算量偏大；②抗噪声干扰能力不足。本文针对上述缺陷提出了基于Mean Shift预分割的改进Ncut算法。该算法首先采用Mean Shift对图像进行预分割，并以预分割所形成的像素块替代原图像中的像素点构成图，最后采用Ncut算法进行分割。　　实验结果表明：①本文改进的Mean Shift算法可以消除过分割的现象并得到良好的分割结果；②本文的改进Grab Cut算法一方面由于预分割所形成的像素块的数目远小于原图像像素点的数目使得分割效率大大提高，另一方面由于分水岭能够保存图像梯度信息从而改进了经典Grab Cut在前景与背景差异性不明显时分割效果不完整的缺陷；③本文改进的Ncut算法一方面由于改进算法是基于像素块的，其数目远远小于原图像中的像素点，因而使得分割效率成倍的提高。另一方面由于Mean Shift算法本身具有极好的抗噪声干扰的能力，因此使得改进Ncut算法也具有极好的抗噪声干扰能力。