近年来,随着国内外高空间分辨率遥感卫星的成功发射,对地观测数据的分辨率也越来越高.但近阶段我国对遥感影像数据处理的能力对于满足国家发展高分辨率遥感系统的迫切需求来讲还有待加强.于是,对于高分辨率遥感数据的分析和处理成为目前遥感领域研究的重要科学问题.分割作为该应用领域中最重要和最具有挑战性的问题.而针对海量遥感影像数据的分割而言,通过基于统计概率的方法备受关注.其中,马尔科夫随机场(Markov Random Field,MRF)方法应用较为广泛.但是,目前现有的基于MRF的方法也存在一些待改进的地方:(1)像素级的特征提取方法中由于像素的邻域范围相对较小,分割结果失去了重要的细节特征并且产生了大量的碎片.因此,在分割过程中经常发生误分.(2)对象级的特征提取方法中的MRF模型的初始分割的不准确性和上下文关系的不规则限制了分割精度.针对上述问题,本文主要做了以下研究工作:提出了对于遥感影像分割的交替迭代的马尔科夫方法(Alternating iterative Markovmethod for remote sensing image segmentation,AIMRF),使得模型可以同时兼顾规则的空间上下文信息和宏观纹理描述能力,使其相互促进与优化.首先,建立两个概率图来分别提取基于像素的空间信息和基于对象的空间信息;其次,分别在两个概率图上建立对应的子模型;最后,提出交互迭代模式去融合信息,在像素级特征和对象级特征之间不断协同优化得出最佳分割结果.研究了对于遥感影像分割的像素级的深度马尔科夫方法(Pixel-level depth Markovmethod for remote sensing image segmentation,PDMRF),使得模型不仅拥有卷积神经网络优越的结构而且无需海量的训练集并能在区域一致性和影像原始信息描述能力方面达到了更好的效果.首先建立卷积结构提取原始影像数据不同方面的特征;其次,分别在每个维度进行池化操作,实现不同维度的信息降采样;然后,通过主成分分析来提取所获得众多信息的梗概特征信息.最后使用经典的像素级MRF方法实现原始图像的最佳分割.为了验证本文提出的两种模型的有效性,我们和现有的其他基于MRF模型的方法在不同数据集上进行了对比,评价指标显示本文提出的方法在图像分割方面展现出更加优越的性能.