纹理分割是图像处理中一个重要研究内容。纹理特征的提取直接影响纹理分割结果的好坏。矩函数作为图像描述的算子能够较好地提取纹理特征。和连续矩相比，离散矩在计算数字图像时不需要积分空间离散化和空间坐标归一化，能够得到更高的精度。本文尝试使用离散Tchebichef矩和Krawtchouk矩提取图像纹理特征，并且将这种基于矩函数的纹理分割方法应用到超声图像的分割中去。 本文首先提出了基于离散矩提取纹理特征的方法。在使用Tchebichef矩和Krawtchouk矩以及非线性变换器得到纹理的特征空间并进行简化以后，分别使用BP神经网络和支持向量机对简化后的特征空间进行分类。在比较了两种分类器的误分割率后，得出支持向量机更适用于纹理特征分类的结论。随后将基于离散矩的分割结果和基于连续矩的分割结果相比较，证明离散矩在提取纹理特征方面的优势。 接下来我们讨论了两种基于边界的纹理分割方法。对于水平集主动轮廓模型，我们采用了多通道输入以便使用纹理特征进行分割。此外我们还增加了两个惩罚项，保持轮廓线单一的拓扑结构。对于离散动态轮廓模型，我们使用纹理特征图像的代替原图像提取能量参数，得到改进的图像外力推动轮廓演化。 我们通过对前列腺超声图像轮廓附近点取样，比较其内外特征值的灰度分布，进一步优化了特征空间。最后使用两种基于边界的分割方法对优化后的特征空间进行分割，得到了最终的结果，并指出两种方法的优点和不足。