作为图像处理和计算机视觉的预处理，图像分割是理解、处理和应用图像的一个关键性步骤。通过分割可以将复杂的原始图像转换为更容易理解和分析的形式，分割后属于同一区域的像素具有相同的特性。大部分关于图像的工程应用，都可以先通过图像分割预处理来将问题简化。本文主要研究的是基于噪声鲁棒的非对称有限混合模型的图像分割算法，并对以下几个方面展开了较为深入的研究:　　本文首先介绍了与有限混合模型相关的基础知识，然后在此基础上，引入了有限混合模型中经典的高斯混合模型和学生混合模型，并结合期望最大化算法对这两个模型进行了推导。紧接着对这两个混合模型通过实验进行了比较和分析，通过分析发现学生混合模型参数更多、模型更灵活，因此分割的效果相对更好。　　受到提高模型灵活度能改善图像分割效果的启发，本文对经典的学生混合模型进行了改进，设计了非对称学生混合模型。因为在现实场景中，图像数据的分布（如直方图）大多数是不规则的，因此，基于非对称的学生混合模型能够更加灵活地去拟合这些数据的分布。此外，在现实应用中图像数据可能还含有未知比例的离群点，这些离群点的存在会干扰混合模型的参数估计。因此，本文设计了一种基于剪切似然算子的去离群点算法，并将剪切似然算子和非对称学生混合模型相结合，以此实现对图像的分割。　　进一步地，本文设计了一种基于广义Gamma分布和高斯分布混合的非对称混合模型，该模型结合了高斯混合模型的有效性和广义Gamma混合模型的灵活性。算法中还对该非对称混合模型的唯一性进行了证明，从而保证参数学习的过程是正定的。同时，算法中还引入了马尔科夫随机场和类间置信水平排序算法用于去除噪声点和离群点的干扰，提高该非对称混合模型的鲁棒性。通过实验发现，该算法兼具较高的噪声鲁棒性以及分割准确性。