为解决现有无监督图像分割模型对强噪声环境鲁棒性差、无法适应复杂混合噪声的问题,提出了一种基于One-class SVM方法的改进后的噪声鲁棒图像分割模型。首先,基于One-class SVM构建一种数据离群程度检测机制;然后,将离群程度值引入能量泛函,令分割模型可以在多种噪声强度下获得较为准确的图像信息,同时避免现有方法在强噪声环境下,降权机制失效的问题;最后,通过最小化能量函数,驱动分割轮廓向目标边缘演化。在噪声图像分割实验中,当选取不同类型和强度的噪声时,该模型均能得到较为理想的分割结果。在F1-score评估标准下,该模型比基于局部相关熵的K-means(LCK)模型高0.2~0.3,在强噪声环境下具有更高的稳定性,且在分割收敛时间上仅略大于LCK模型0.1 s左右。实验结果表明,所提模型在未显著增加分割耗时的前提下,对于概率、极值及混合噪声均有着更强的鲁棒性,并且可以分割带有噪声的自然图像。