图像分割是数字图像分析中的重要环节，它既是对所有图像预处理效果的一个检验，也是后续进行图像分析与解译的基础。因此，对于图像分割的研究一直受到人们的广泛重视，也提出了大量不同的算法。　　 本论文以医学图像分割和SAR图像分割为应用背景，对基于三维区域生长的腹部器官提取算法进行了研究和改进，同时研究了两种基于半监督学习的SAR图像分割方法。本论文的主要工作概括如下：　　 (1)提出了一种基于二次三维区域生长的腹部器官提取算法。为了抑制区域生长中出现的过分割现象，该算法提出利用Canny边缘和第一次区域生长后得到的结果图的形态学边缘来约束第二次的区域生长。实验证明该算法不仅有效地抑制了过分割，同时分割结果中的空洞也明显减少，能比较完整的提取出腹部器官。　　 (2)提出了一种基于距离学习的半监督谱聚类算法。该算法利用数据的成对约束信息来学习一种距离度量，用该距离来构建相似度矩阵，并采用带约束的K-均值聚类算法对谱映射后的特征向量进行聚类。该算法充分利用了数据的先验信息，提高了算法的稳定性。在纹理图像和SAR图像上的实验表明该算法较传统的谱聚类算法有更高的分割精度。　　 (3)提出了一种结合分水岭和改进的Laplacian支持向量机(Laplacian SVM)算法的SAR图像分割方法。为了避免参数的选择问题，该算法将自调节图引入到Laplacian SVM算法中。另外，由于Laplacian SVM算法中用到图和核函数的思想，将其应用到图像分割问题时，会出现存储量和计算量大的问题。该算法利用分水岭算法对图像先进行粗分割，再使用改进的LaplacianSVM算法对过分割区域进行分类，从而减少了图像分割的时间。