数字图像是人类在科学技术发展中认识世界的一个重要媒介。与人类视觉相似,计算机可以通过设备捕捉到的数字图像来获取和传递信息,以完成特定任务。图像分割作为数字图像处理的基础且关键的技术受到广泛研究,当前已有许多方法或模型被应用到图像分割技术中,其中层次合并树作为一种结合区域合并技术和二叉树结构的图像分割建模方法,在提供多粒度的图像描述和灵活的规则约束嵌入方面有着明显优势。然而,已有的基于层次合并树的图像分割算法只考虑单规则约束嵌入,不能灵活满足诸如交通目标检测、遥感地物检测等复杂应用的需求。本文基于层次合并树模型,针对多规则约束嵌入做了深入的研究,提出了有效且可行的多规则约束嵌入方法,同时针对新的层次合并树提出了基于节点属性变化的演化函数分析,以寻找最优的层次合并树的割,得到满足应用需求的分割结果。为了提高分割结果的正确率和验证我们提出的方法,我们针对RGB-D图像和高光谱图像对生成层次合并树初始区域的超像素算法进行了研究,并对本文提出的方法进行了效果验证。本文的主要贡献如下:1)本文提出了基于贝叶斯理论的多规则约束层次合并树的构建方法,通过探索树的结构与贝叶斯理论的特点和适用情况,将构建层次合并树过程中的区域合并转化成最大后验概率概率问题;针对规则约束间度量不一致、冗余与冲突问题,结合树结构特点提出了描述区域合并似然函数和先验函数的规则,使得可以在多规则约束下构建更加合理的层次合并树。2)本文提出了针对构造的多特征约束层次合并树的割的方法。为了寻找树的割得到最终分割结果,来使分割结果符合规则约束的先验,通过探索树中路上的节点属性变化构造演化函数,分析演化函数的变化趋势来寻找最优的层次合并树割。3)本文针对RGB-D图像和高光谱图像对提出的多规则约束层次合并树的图像分割方法进行了拓展与应用实验。首先通过研究图像的特点和已有超像素分割算法存在的问题,针对RGB-D图像提出了基于深度学习的超像素分割算法,针对高光谱图像提出了基于分水岭变换的超像素分割算法,旨在为构建层次合并树提供边缘贴合度高、形状规则且高效的初始区域。最后基于提出的两个超像素分割算法对本文提出的方法在RGB-D图像和高光谱图像进行了效果验证。