图像分割是图像工程中最基本的技术,是由图像处理到图像分析的关键步骤,也为计算机视觉中的特征提取、分类、识别和检索提供了依据.因此,高品质、鲁棒性的图像分割算法在实际应用中极其重要.目前常用的图像分割方法主要有阈值化分割算法、基于边缘检测的分割、基于区域的以及基于聚类的分割.其中阈值分割由于操作简单易于实现成为一种常用的图像分割方法.由于图像的灰度渐变性会产生模糊边缘同时邻近像素间的粗糙相似性也会产生含糊性,使得如何选择一个合适的阈值成为关键性问题.智能计算的发展,使得图像分割出现了新方法与新理论.近年来一些学者将粗糙集理论与模糊集理论引入到图像处理中,应用粗糙熵或模糊熵进行图像分割,取得了一些成果.本文在介绍图像分割理论的基础上深入研究了基于粗糙熵的图像阈值分割方法.针对不同的阈值分割要求,结合了变精度、模糊逻辑以及智能优化等软计算方法提出了几种图像分割算法.主要工作如下：(1)针对单阈值分割,提出了结合变精度粗糙熵和遗传算法的阈值图像分割方法.该方法引入包含度的概念,提出了图像的变精度粗糙集表示模型,同时结合遗传算法,给出了粗糙熵图像分割算法.(2)结合模糊集理论构造了更为一般的图像粗糙集表示模型.该模型首先将图像模糊化,通过模糊逻辑算子定义了模糊集的包含度,基于此提出了图像的粗糙集与粗糙熵表示形式.该模型可以减少图像分割过程中噪声的影响,且该模型可以退化至经典的粗糙集图像表示模型.(3)针对多阈值分割,提出了结合粗糙熵和粒子群算法的多阈值图像分割方法.该方法将图像的粗糙集表示形式扩展到了多阈值的情况.同时结合粒子群算法,给出了粗糙熵图像分割算法.(4)仿真实验证实了本文所提分割算法的有效性及灵活性.