在信息类型多元化发展的今天,图像作为信息传递和表达的最直接类型,其质量的优劣影响到人们与互联网交互体验的舒适度。图像分割作为图像处理先验的步骤,是后续处理可以实用化发展的本质基础,伴随着硬件设备的更新换代,图像中的信息越来越丰富,其尺寸和分辨率也越来越大,如何适应时代的发展设计出适用性较强的分割算法是目前研究的重点。Hadoop作为目前应用广泛的大数据处理平台,其实用性和高效性得到了大量学者的认可,但其设计的初衷是为了处理文本数据的分类,因此类型较少,但这也是本文设计的出发点,从图像的角度着手,基于原始的平台设计适用于图像的I/O,提出基于Hadoop的超像素分割算法。本文采用超像素代替原始的像素作为分割的处理基元,将Hadoop分布式的特点与超像素的分块相结合,在初始任务的分片、任务节点的超像素分割以及超像素的区域合并三个方面进行优化。本文在分片过程中提出基于多任务的动态适应性算法,使得HDFS(Hadoop分布式文件系统)分块与任务分发的基元解耦;在每一个Map节点任务中,基于超像素分块的边界性对超像素的形成进行约束,提出基于分水岭的并行化分割算法的设计;在Reduce节点任务中,提出并行化的区域合并。在实验中所有小尺寸的图像数据来源于伯克利大学的图像库,大尺寸的图像来源于互联网中QuickBird的卫星云图,过程中对于各个优化部分都分类进行了相应的实验,最终的实验表明,本文的算法的图像分割效果在不同尺寸下都令人满意,而在分割时间上,本文的算法具有明显的优势。