随着信息科技、模式识别及人工智能技术的迅速发展，唇读技术越来越受到相关研究者的关注。因此嘴唇分割与跟踪技术，作为唇读技术的最重要及基础技术之一，具有极高的研究和应用价值。为了实现准确且稳定的嘴唇分割与跟踪技术，本文将该技术的实现过程分为嘴唇分割与嘴唇跟踪两个步骤，并将研究工作分别从这两个方面依次展开：嘴唇分割算法方面，本文中首先实现了两种基于彩色嘴唇图像的分割算法。第一种为基于MS-FCM模糊聚类的嘴唇分割算法，该算法在传统模糊聚类算法的基础上引入了几何空间位置信息，并结合多聚类中心的应用实现了嘴唇区域的分割。最后通过基于该领域较知名的AR face database中嘴唇图像的实验，验证了该算法的有效性。另一种算法为本文所提出的一种原创的结合像素点特征和参数模型的嘴唇分割算法，该算法通过比较分析建立了合理的由三条独立抛物线组成的嘴唇参数模型，并通过基于嘴角探测的预处理、基于新型改进的“跳跃式Snake算法”的特征像素点提取、含有权重限制的最小二乘曲线估计拟合等步骤提取到了准确、完整的嘴唇轮廓曲线，并同样通过实验验证了该算法对嘴唇分割的有效性和准确性。嘴唇跟踪算法方面，本文在基于MS-FCM模糊聚类的嘴唇分割算法的基础上，结合本文所提出的第二种分割算法中特征点提取与轮廓拟合的思想，提出并实现了一种完整的嘴唇分割跟踪算法。该算法首先将基于MS-FCM模糊聚类的嘴唇分割算法扩展到了对嘴唇图像序列的分割处理上，利用前一帧图像的模糊聚类分布矩阵对后一帧图像的聚类分布进行预测，从而快速得到嘴唇序列分割结果。为了对获取的原始序列分割结果进行匹配修正，本算法采用特征点的提取，结合ASM（Active Shape Model）算法中平均值的训练思想，将其改进扩展至针对嘴唇图像序列的训练应用中，并利用手工标定的嘴唇序列图像的特征点向量进行训练，得到嘴唇序列平均形状特征点向量与其主要变换模式。最后使用最小二乘估计法及马氏距离的计算对原始分割结果进行匹配修正与轮廓曲线拟合。同样，本文通过实验验证了该跟踪算法可以得到较为准确的嘴唇图像跟踪结果。