合成孔径雷达(Synthetic Aperture Radar,SAR)系统全天候、高分辨、大幅宽、不受气候条件限制且具有地表穿透能力等优势使得其在灾害监测、环境监测、海洋监测、资源勘查、农作物估产、测绘和军事等方面具有独特的优越性。作为图像解释系统的一个重要研究课题,图像分割的目标是将图像地物目标尽量完整的分割出来,为后续的分类和应用提供支撑。尽管超像素思想的引进带来了很多有效的方法,使得图像分割有了很大的进步,但在SAR图像分割领域,还存在很多问题:现有的成熟超像素算法都是针对光学图像设计的,对图像噪声很敏感,无法直接使用在SAR图像中;除此之外,现有的分割算法中,单图像特征无法分割图像的全部内容,而多特征的分割又面临高计算复杂度的问题,造成了一定的矛盾。因此,为了在更充分的分割图像的同时提高分割速度,本文提出了两种高效的SAR图像分割算法:基于改进LGRP与超像素的SAR图像区域合并分割方法和基于纹理特征和边缘约束的SAR图像聚类分割方法。两种方法的具体介绍如下:(1)提出了一种基于改进LGRP与超像素的算法用于SAR图像分割。考虑到现有超像素算法易受到SAR图像乘性噪声干扰的问题,本算法引入一种对噪声鲁棒性良好的SAR图像纹理特征:局部梯度比模式特征,以克服噪声的影响,得到更优秀的分割结果。同时因为SAR图像纹理特征和灰度特征是一组互相有益的局部特征表达组合,本算法将这两种局部特征集成并引入简单非迭代聚类超像素生成算法(SNIC),同时改进其相似性度量准则,以生成更适合于SAR图像的超像素。然后将初始分割结果引入区域合并过程,使用最近邻图结合改进的异质性准则对超像素进行合并,得到分割结果。最后,通过多组对比实验验证了算法的有效性。(2)提出一种基于纹理特征和边缘约束的SAR图像聚类分割算法。虽然超像素算法可以大大提高分割速度,但是仅仅依靠单一纹理特征和灰度特征依然做不到对图像进行完美分割。在上一个算法的基础上,本文提出了一种基于多邻域纹理特征的超像素生成算法,并利用高斯伽马双窗检测器结合形态学重构的方法检测图像边界,以边缘信息指导初始超像素的生成。然后提取超像素的局部纹理特征和灰度特征直方图,使用快速模糊聚类分割算法进行聚类。实验证明,引入边缘信息的算法可以增强对目标边缘的检测能力,同时可以获得更准确的分割结果。