纹理图像分割是图像分析中的必不可少的步骤，其在遥感、气象、地质分析、工业检测、医学图像处理等领域中已有广泛的应用。但由于纹理图像的灰度具有高振荡性，且其纹理很难给出统一的数学定义，致使纹理图像分割问题仍然没有得到很好的解决。因此，对其研究具有重要的理论和现实意义。在纹理图像分割步骤中最为关键，同时也是最困难的一步便是纹理特征的描述，对此，本文从结构张量的角度出发提出了几种合理的纹理特征描述子，具体如下：（1）首先，从结构张量的相关知识入手，将非线性结构张量的三个分量和原图像看作一副四维的向量值图像，构造其相应的结构张量矩阵。利用此矩阵特征值构造了一种新的标量型纹理特征描述子T，T中既包含图像的灰度信息，又含有纹理信息。（2）其次，从原图像的非线性结构张量的两个特征值入手，提出了另一种标量型纹理描述子F，F中主要包含纹理特征信息。（3）最后，经过仿真实验发现以上两种纹理描述在处理方向性纹理图像时，效果并不是很好。通过分析研究，提出了一种利用非线性结构张量特征方向角的标量型纹理特征描述θ，θ中包含了充分的方向信息。设计了纹理特征之后，便是纹理分割模型的建立，具体如下：（1）将纹理描述T嵌入到两相模糊区域竞争模型中，给出了一种基于结构张量特征值的纹理图像分割模型Ⅰ；（2）将纹理描述F和原图像灰度信息I分别嵌入到两相模糊区域竞争模型和经典的CV模型中，给出了一个纹理和灰度相结合的分割模型Ⅱ；（3）采用模型Ⅱ同样的思想，将纹理描述θ和原图像I相结合，构造一个基于特征方向角的纹理分割模型Ⅲ。针对以上三种分割模型，本文采用了快速Chambolle对偶法进行数值求解，该算法具有不重复初始化和快速迭代求解的优点。仿真实验结果表明，T和F能够很好的处理自然纹理图像和具有周期性、尺度性的合成纹理图像，θ可以很好的处理具有方向性的合成纹理图像。此外，通过最大化图像灰度的概率密度函数之间的Cauchy-Schwarz散度，提出了一种新的主动轮廓线图像分割模型。为了快速获得新模型的全局最优解，采用了模型的凸化及Split-Bregman快速迭代技术。最后通过仿真实验，验证了该模型的有效性。