MRF(Markov Random Field，马尔可夫随机场)理论已经被广泛地应用于计算机视觉及图像处理领域中，它提供了方便而直接的方法，以概率来描述图像像素之间的空间相关的特性，MRF与Gibbs(吉布斯)分布的等价性的提出推广了其在数字图像处理中的应用。图象分割是数字图象分析中的重要环节，基于MRF的图象分割方法采用MRF模型为基本模型，并使用MAP(Maximum A Posterior，最大后验概率)这一优化准则来搜寻优化解，应用MAP准则可以将图象的先验分布和数据的条件分布(似然分布)结合起来。这样将MRF模型与MAP准则结合在一起形成了解决问题的特定的MAP-MRF框架(本文提出的算法皆源于该体系结构)。本文主要研究和总结了MRF的一些有用的模型形式，如，MLL(Multilevel Logistic Model)模型，分层MRF模型，FRAME(Filter，Random Fields，and Maximum Entropy)模型等；重点对基于MRF-MAP框架求解目标能量函数的局部和全局最优化算法进行探索研究。1、对基于MRF的图象分割的局部最优算法，如，ICM(Iterated Conditional Mode)算法，RL(Relaxation Labeling)、HCF(Highest Confidence First)算法进行了理论和实验的研究分析，并且对HCF算法加以改进。通过实验可以得出：ICM与HCF算法能快速收敛得出局部能量极小值解，但却很大程度上依赖于初始分割。从分割性能上分析，ICM算法的分割结果中会出现一些不连续区域，而RL算法缺乏细节辨识能力。并且，改进后的HCF算法的分割效果要优于ICM和RL算法。最后，还给出了这三个算法对于三种不同类型的图象进行分割的性能排序和它们的适用范围。2、对分割的全局最优求解方法，重点对经典的模拟退火算法，SA(Simulated annealing)，进行了原理及应用研究；提出了动态参数方法，对原有的SA算法进行了改进，并将分割结果与其他算法进行了比较分析。改进后的SA方法，在迭代计算过程中动态修改系数参数，加快原有的收敛过程，可以有效地分割被噪声污染的图象，在计算速度和全局收敛性上都有较好的表现。同时本文也对退火思想和局部优化算法相结合的算法进行了相关方面的研究。3，利用MRF-MAP框架方法实现图象的分割，不仅最后分割效果比较好，而且还可以综合吸收其他有益算法和理论，具有可伸缩性，可以满足特定的分割需求。同时，本文也对利用MRF模型解决图象分割问题时所存在的问题和缺点进行了讨论和总结。