图像阈值分割是图像处理领域中的一个经典的基本问题，至今仍是国内外研究热点，同时也是一个研究难点。在实际系统中，图像中的目标和背景之间并不具备截然不同的灰度，受不均匀光照等因素影响较大。因此正确的选择分割阈值非常重要，直接影响着分割的精度和图像描述分析的正确性。矩不变法是利用图像分割前后亮度矩不变的原理获取阈值，该方法无须迭代或搜索，运算速度快，但常常会出现欠阈值分割和过阈值分割、忽略图像细节等问题。本文基于矩不变阈值分割算法进行了相关算法的研究，并针对矩不变法容易出现的问题和扩展矩不变法在图像分割中的应用，提出了一些改进方案。本论文主要的研究成果如下：首先，在详细介绍图像阈值分割算法原理和矩不变阈值分割算法原理后，针对矩不变法容易出现欠阈值和过阈值分割问题，引入傅里叶变换，首先由矩不变法获取初始阈值，然后一方面利用图像直方图的傅里叶谱系数确定阈值增减的幅值，另一方面利用图像灰度均值来确定阈值的增减方向，同时对矩不变法分割效果较好的初始阈值不做调整，因而有效地解决矩不变法容易出现的欠阈值和过阈值分割问题，进而提高了矩不变法的分割效果。最后通过和传统的矩不变法进行比较，表明本文方法的有效性。其次，传统的矩不变法不但容易出现过阈值或欠阈值分割现象，而且常常会忽略图像细节信息，不利于下一步的图像识别以及分析。为此，本文提出了一种基于梯度修正的矩不变阈值分割算法，首先定义了一个图像锐化函数用于对原图像进行锐化，经过锐化后的图像中细节信息更加突出，然后将锐化后的图像用矩不变法进行分割，最后通过实验结果表明，该算法不仅能有效提高矩不变法的分割效果，而且能保留能多的边缘细节信息，使分割后的图像具有更多的语义。最后，注意到传统的矩不变法是建立在一维直方图的基础上的，难以扩展到二维，但图像分割前后的亮度矩保持不变是图像本身的一个特性，可以称其为图像的矩不变分割特性。针对实际系统中如果单一的使用某一种分割方法，就有可能在某些应用场合出现分割效果不佳或者分割失败的问题，本文提出了一种用矩不变法选择一维Otsu阈值和一维最大熵阈值的方法，首先由矩不变法获取阈值，然后分别用一维Otsu方法和一维最大熵方法获取阈值，比较三个阈值的大小，最后选择其中最接近矩不变法获取的阈值的一个阈值作为最佳的分割阈值，因此该算法在使图像的分割结果满足某一种准则的同时还尽可能的满足了图像的矩不变分割特性，实验表明，该算法有效地解决了现实系统中图像的复杂性和多样性的问题，扩展了矩不变法在图像分割领域中的应用。