图像分割是由图像处理到图像分析的关键步骤，在图像工程中占有非常重要的位置，并且己在计算机视觉、模式识别和医学图像处理等领域中得到了广泛的应用。　　 织物图像的分割研究是图像分割领域中的一个热点。织物图像是一种机织物的扫描图，其分割方法与自然场景图像分割相比，有自己的特点。在对织物图像做分割处理时很大程度上取决于用户的设定，即它不要求图像的像素做非常精确的归类，只需要对经纱或纬纱上的像素进行大致的同一化归类即可。　　 为了解决织物图像的分割问题，本文首先介绍了一些常用的图像分割算法，比较了它们的优缺点，给出了采用不同算法对织物图像进行分割的结果，对获得的结果进行讨论。　　 然后，把半监督聚类算法和最小错误率贝叶斯决策理论相结合，提出了一种基于最小错误率贝叶斯决策的半监督聚类算法。该算法首先建立图像分割的最小错误率贝叶斯决策模型；其次从标签数据中估计出不同类别的初始参数，对图像中每一象素点计算对各个类别的后验概率，依据最小错误率贝叶斯决策理论对图像中的每一像素点进行类别判断，从而实现目标图像的提取；最后对区域边缘进行平滑处理，得到最终的分割结果。在贝叶斯决策过程中初始参数可以通过标签数据得到，避免了随机初始参数的盲目性和不确定性，使得聚类迭代陷入局部极值的可能性大大减小，也减少了迭代的次数，进而提高了分割的性能。对多幅织物图像进行对比分割实验，结果表明，该方法无须滤波就具有良好的抑制噪声的能力，是一种可行的织物灰度图像分割方法。　　 最后，由于在众多的颜色空间中，HLC颜色空间成功地模拟了人类的颜色视觉特征。出于颜色视觉一致性的考虑，在HLC颜色空间中运用颜色距离进行彩色织物图像分割。为了减少运算量，提高分割效率，提出了一种基于半监督的颜色视觉聚类算法。该算法首先对彩色织物图像进行颜色空间转换，利用先验信息和颜色距离作为判断准则进行色彩聚类，然后进行区域合并，得到最终分割结果。实验表明基于半监督的颜色视觉聚类算法由于集成了先验信息，能得到满足给定限制的精确图像分割结果，在抗干扰、运算速度和分割稳定性等方面有明显的优势。