形态学分水岭算法是源于数学形态学的一种强有力的图像处理工具，可以有效提取图像中感兴趣的部分并保证分割边缘的封闭性和连续性。缺陷在于对微弱边缘较为敏感，易导致过分割现象。现有的形态学分水岭理论已广泛应用于二值及灰度图像处理。由于彩色图像具有矢量化数据特征，因此不能将现有的形态学分水岭理论直接应用到彩色图像处理中。为了解决该问题，本文主要研究矢量形态学分水岭理论及其在彩色图像分割中的应用，论文工作主要有以下两个方面。　　(1)分水岭算法是基于图像的局部极小值划分区域的，因此分水岭算法对噪声较为敏感。在执行分水岭算法之前需要对图像进行预处理。为了剔除彩色图像中的脉冲噪声，本文改进了传统矢量中值滤波方法，并引入深度函数概念，发展出两种改进的矢量中值滤波算法，解决了噪声判定不准确的问题。　　(2)梯度图像中的弱小边缘也是导致过分割问题的一个主要因素，现有的分水岭方法主要通过梯度重建修正梯度图像，解决过分割问题。然而如何选择重建算法中的结构元素尺寸是一个难题。本文改进了一种自适应梯度重建的分水岭分割算法。该方法利用主成分分析技术对彩色图像降维，然后计算降维后的梯度图像，并采用自适应重建算法修正梯度图像，最后对优化后的梯度图像应用分水岭变换实现分割。　　对含有脉冲噪声图像进行滤波实验表明，改进的矢量中值滤波算法有效剔除噪声的同时保留了图像细节。对标准测试图像进行分割实验表明，本文改进的自适应梯度重建的分水岭分割算法能有效剔除非规则细节和噪声引起伪极小值，解决了过分割问题，从而有效提升了分割效果。此外，自适应梯度重建算法克服了传统形态学分水岭算法难以直接应用于彩色图像分割的问题。