谱聚类算法建立在谱图理论基础上，是近年来机器学习领域的一个新的研究热点。与传统的聚类方法相比，它能在非凸的样本空间上聚类。针对谱聚类算法中一些亟待解决的问题，本论文对以下内容进行了研究：数据约简谱聚类算法研究、结合空间信息的谱聚类图像分割算法研究、无监督和半监督的免疫克隆选择图划分算法研究以及基于局部相似性测度的SAR图像多层分割算法研究。论文的主要工作概括如下：　　1、论文的第一章为绪论，介绍了本论文的研究背景，回顾了聚类分析和图像分割的发展及研究现状，并给出了论文的主要工作及内容安排。　　2、第二章对谱聚类算法的理论及其各种常用的方法进行了概述。在此基础上，给出了传统谱聚类算法在大规模数据上的存储困难、计算复杂度高及相似性测度不易构造等一系列存在的问题。当要聚类的样本数据量大而导致谱聚类算法复杂度高、聚类性能下降时，一种直接有效的途径就是通过对原始数据进行约简来减少数据量。本章我们设计了一种数据分层约简的框架，提出了基于模糊聚类技术的约简谱聚类算法和基于密度的约简谱聚类算法两种方法，并在新方法中引入了流形距离测度来构造相似性矩阵，使得新算法可以有效处理具有复杂结构的数据。Brodatz纹理图像聚类、纹理图像分割和合成孔径雷达图像分割的仿真实验表明了新算法具有良好的聚类性能。　　3、第三章针对谱聚类算法用于图像分割时对噪声敏感的问题，提出了非局部空间谱聚类图像分割算法。该方法利用谱图划分准则与空间权核k均值目标函数的等价性，将图像中的非局部空间信息引入到谱聚类算法中，构造了一个新的基于非局部空间的拉普拉斯相似性矩阵，使得在该矩阵基础上的谱聚类算法避免了图像中噪声的影响，并获得了满意的分割结果。在含噪的人造图像和自然图像上的结果也验证了算法的有效性。　　4、第四章提出了基于像素三维特征的谱聚类图像分割算法。首先利用图像像素的灰度、均值及非局部均值构造图像像素的三维特征空间，然后利用该三维特征空间上的连通性和一致性度量构造新的相似性测度方法，最后在该相似性矩阵上利用谱聚类算法获得图像的分割结果。新方法充分利用了图像中像素的局部空间信息和非局部空间信息，对图像中噪声具有一定的鲁棒性。含噪的人造图像和自然图像上的分割实验验证了新算法的良好性能。　　5、图划分准则的最优解本身是一个NP难问题，第五章提出了一种利用免疫克隆选择算法来求解图谱划分问题的新方法：免疫克隆选择图划分方法，并在新方法中引入了流形距离来构造相似性矩阵，使得新算法可以有效处理具有复杂结构的数据，6个人工数据集、手写体识别问题以及人脸识别问题的仿真实验表明了新算法的良好聚类性能。此外，我们在免疫克隆选择图划分的基础引入半监督聚类的思想，提出了基于免疫克隆选择优化的半监督图划分算法。新方法利用成对限制信息来引导聚类过程，手写体识别问题以及人脸识别问题的仿真实验表明了新算法具有的良好性能。　　6、第六章通过设计图像像素的局部相似性测度和纹理特征最近邻搜索策略，在多层图划分算法的基础上提出了基于局部相似性测度的SAR图像多层分割方法。新方法在具有各种不同纹理、不同形状的人工合成纹理图像和SAR图像上均取得了较好的分割结果。　　7、最后一章对全文工作进行了总结，并指出需要进一步研究的内容。