图像分割是将图像分解成若干个有着相同或相似特性区域的一门技术,是图像分析和理解的基础。Mumford和Shah所建立的MS模型将图像分割转变为一种通过分片(固定)水平函数进行最佳逼近数字图像函数的问题。对MS模型的求解将会得到一个分片水平函数,而这些不同的水平值则对应着所分割的区域及其统一特征。最近通过简化MS模型建立了有效型的CV算法。显然,在MS模型中,图像所需的分割的区域数是已知的。而对于不知道分割区域个数的图像分割问题,既非监督图像分割问题,MS模型是无法给出合理的解答。另外,MS模型对于噪声干扰比较敏感,其算法在处理噪声严重的图像时性能不稳定,极易产生错误的分割结果。　　 DSRPCL(Distance Sensitive Rival Penalized Competitive Learning,距离敏感对手惩罚竞争学习)算法能够有效地探测数据中聚类个数,为非监督图像分割提供了一种有效的途径。但它是直接根据聚类分析结果来进行图像分割的,会造成分割边界的粗糙性。为了克服MS模型和DSRPCL算法的不足,本文将它们有效地结合在一起,即在MS模型的能量函数增加了DSRPCL算法价值函数中的惩罚项,建立了DBMS(DSRPCL,Based MS)模型。利用分片水平函数的形式,本文进一步通过对DBMS的能量函数进行极小化建立了新的非监督图像分割算法,具有较光滑的边界或轮廓曲线。通过人量的图像分割实验和性能指标分析,我们发现本文提出的DBMS模型和算法优于典型的CV算法。