飞机外轮廓识别在航空领域具有重要的作用,由于目前运用传统的图像分割方法获得的图像外轮廓精度较差,在后期识别过程中造成准确率下降等问题。为了解决这一问题,本文对亚像素的分割技术进行研究,通过对多种图像的分割效果进行不断优化,最后应用到飞机外轮廓的分割过程中。结合目前一些亚像素分割算法对于飞机图像的处理能力难以达到需求的精度,本文对飞机图像在亚像素分割过程中存在的问题进行研究,运用一系列改进算法来提高分割后图像的精度和抗噪能力以及提高整个过程的运算效率,并将本文研究的算法应用到外轮廓的分割过程中。本文的主要研究工作如下:(1)本文在对图像实现亚像素定位过程中运用主客观的方法判断各定位算法的优劣性,发现目前常用的插值定位方法很难解决插值效果与运算效率不一致的问题。因此,本文改进一种基于分层插值的定位方法,该方法根据灰度信息进行处理,然后对每一层再进行插值。该方法能够使插值后的图像定位精度进一步提高,并且保证运算效率能够满足航空领域处理图像的运算需求。(2)以往基于亚像素的图像分割方法仅仅对亚像素的个体信息进行处理,而忽略了亚像素邻域之间的相互关系,在图像分割时往往由于一些噪声、背景等因素的干扰,分割过程可能会导致图像模型优化时陷入局部最优的状态。本文引入马尔科夫随机场和贝叶斯估计(MRF-MAP)对图像中的亚像素信息运用统计学方法处理,建立关于图像中亚像素的函数模型,再运用交叉视觉皮质模型(ICM)优化理论进行优化。在优化过程中改进一种聚类方法,运用均值漂移聚类实现初始点的标记,能够有效的降低背景信息对目标的干扰,并具有较强的抗噪能力。(3)针对于图像运用传统的分割方法可能会存在欠分割或过分割的问题,本文运用遗传神经网络方法,能够实现分割后的目标图像分割精确,解决了欠分割或过分割的问题。另外针对于遗传神经网络方法出现图像分割后边缘不均匀的问题,本文将模糊理论与遗传神经网络进行结合,运用隶属度函数在边缘检测过程中隶属度逐级退化,来完成图像的分割过程。通过遗传模糊神经网络方法分割后的图像效果更好,并且获得的图像分割精度能够达到0.02个精度以上。(4)将本文研究的相关算法应用到飞机外轮廓的分割过程中,验证了本文算法的有效性,能够保证后期的识别和判断过程中的准确度。