图像分割是图像处理分析中的关键步骤,是将原始图像划分为多个不同区域并从中找出人们感兴趣的目标的过程。目前已提出了大量不同类型的分割算法,但也由于缺乏普遍适用的分割理论,还没有一种普遍适用的分割算法能处理所有类型的图像。因此,对图像分割质量的评价逐渐成为图像分割领域的重要研究内容。集成学习是使用一系列学习器进行学习,并采用某种方式把各学习结果进行整合从而获得比单个学习器更好的学习效果的一种机器学习方法。本文首先概述图像分割技术和图像分割评价相关的国内外研究现状；讨论并分析图像分割评价的主要方法,特别是实验评价法中的有监督评价法和无监督评价法；然后介绍了本课题所使用的图像数据库,详细描述了自建的图像分割质量评价数据库的设计与实现,以及魏兹曼图像分割数据库；接着具体研究了BDE、RI、VOI、GCE四种有监督图像分割评价算法和基于灰度值、梯度方向、纹理特征的无监督图像分割评价指标,给出了各方法的评价性能结果；随后介绍了机器学习的相关知识,包括贝叶斯分类和Real Adaboost集成学习等。在此基础上,通过引入机器学习中的集成学习思想对现有评价算法进行改进,提出了一种用集成学习方法改进有监督图像分割评价的方法和一种用集成学习方法改进无监督图像分割评价的方法；并利用以上两种新评价方法,设计实现了一个基于学习的图像分割质量协同评价框架。最后以自建的数据库和魏兹曼图像分割数据库为基础进行实验,测试比较各评价算法、评价指标以及评价框架的评价准确度。实验结果表明,本文提出的基于学习的图像分割质量协同评价框架与各独立图像分割评价方法相比,在评价准确度上有所提升,更接近人的评价结果。