遥感是一项重要的对地观测技术,其获取的影像数据包含丰富的地物信息,能够呈现许多地球上的自然和人文景象,因此我们可以对遥感影像数据进行识别、判断、提取等操作来获取其包含的有用信息.随着遥感技术的不断提高,我们获取的影像数据有了更高的空间分辨率,数据量也在日益剧增,如何从庞大的数据量中快速有效的获取有用的信息仍然是当前研究的热点和难点.分割是遥感图像处理领域中最重要和最具挑战性的任务之一.图像分割的目的是将图像划分为在某一方面具有一些相同性质的几个均匀的区域.在过去的几十年中,已经提出了许多解决此问题的方法,例如阈值法,活动轮廓法,马尔可夫随机场模型(MRF)等.其中,MRF模型可以捕获图像基本单位之间的空间上下文关系,因此被广泛使用.但是目前所现有的马尔科夫随机场方法也有其需要改进的地方,如:像素级方法由于邻域范围较小,对图像特征的提取过于细碎,使得分割结果过于突出图像光谱特征呈现的细节信息,经常出现误分现象;对象级方法虽然在上述问题上得到了改进,以过分割区域为基元,但是由于初始分割的不准确和不规则的空间上下文关系对其造成的影响,导致对象级的分割精度亦是不尽人意.针对以上MRF模型中存在的不足之处,本文引进了交替方向乘子法(Alternative direction method of Multipliers,ADMM),由于ADMM算法对目标函数的要求为连续闭凸型,而马氏场下的图像分割问题是离散非凸的,所以我们在对ADMM算法进行使用时首先将算法进行离散化处理,主要研究工作如下:(1)经典的对象级MRF模型在进行求解时,将特征场能量与标记场能量一起考虑,通过势函数调节标记场能量对图像特征的影响,但是这样做的缺点是在对两种能量进行求和时可能会模糊特征场或标记场的重要信息,本文的第一项工作是在MRF的求解过程中引入离散的ADMM算法,将特征场能量与标记场能量用离散的ADMM算法分开求解,在ADMM算法框架下特征场与标记场的结果相互影响,不断循环求解得到最终结果,验证了离散ADMM算法在MRF模型中的可行性和有效性.(2)得到了离散ADMM算法在MRF随机场模型中的可行性和有效性后,考虑将离散ADMM算法用于多粒度特征的MRF随机场模型中,因像素级方法获得的分割结果具有良好的边缘性,而对象级方法所获得的结果具有良好的区域性,为了获得既有良好的边缘性又有良好的区域性分割结果,本文的第二项工作考虑将离散ADMM算法用于像素级和对象级两种粒度的求解过程,将像素级的结果与对象级的结果通过ADMM算法结合在一起,相互影响,对两种粒度方法的结果不断交替迭代,得到最终的分割结果.为了进一步验证本文所提出的两种方法的有效性,我们将上述两种方法应用于遥感影像分割的求解过程中,在不同的数据集上进行实验,并将得到的分割结果与现有的一些基于MRF的方法进行比较,定量分析指数表明了本文所以出方法在遥感影像分割中的一些优越性.