聚类作为一种重要的数据分析手段，是机器学习、模式识别等领域的研究热点。聚类的目的是把对象按照性质上的亲疏程度分成多个类或簇，使得簇内的数据具有较高相似度，簇间的数据具有较高的相异度，它不考虑先验知识或假设，因此是一种无监督的学习过程。谱聚类算法是近年来广受关注的一种高性能计算方法，与传统聚类方法相比，具有能在任意形状的样本空间上聚类且收敛于全局最优解的特点，非常适合于解决许多实际应用问题，如计算机视觉、图像分割等。目前，谱聚类算法的研究仍处于初级阶段，还存在许多亟需解决的问题，如算法受高斯核尺度参数的影响较大，对噪声点较为敏感，不能利用先验信息指导聚类过程等。针对以上问题，提出了一种基于路径相似度测量的鲁棒性谱聚类算法（Robust Path-Based similaritymeasurement for Spectral Clustering，RPB-SC），并将此算法扩展为半监督的形式，以便利用成对限制先验信息提高聚类性能，相应的算法称为基于路径相似度测量的鲁棒性半监督谱聚类算法（Robust Path-Based similarity measurement forSemi-supervised Spectral Clustering，RPB-SSC）。具体研究内容如下：①构造相似矩阵。本文将路径聚类思想引入到谱聚类算法中来，设计一种新的相似度测量函数。该函数能够避免设置全局的尺度参数，减弱尺度参数对聚类结果的影响，使相似矩阵更加符合聚类假设。②算法鲁棒性研究。谱聚类算法对噪声点较为敏感，根据对样本点邻域信息的统计分析，定义了具有鲁棒性的邻域加权尺度因子，抑制噪声的影响。③半监督谱聚类方法研究。尝试将成对限制先验信息引入到谱聚类算法中，并将样本层面上的有限的限制信息进行空间传播，指导聚类过程。○4谱聚类算法在图像分割中的应用研究。提出基于本文改进算法的彩色图像分割方法框架，实现对包含噪声的图像分割，并利用先验信息指导分割过程。为验证算法的有效性，本文在多个人工数据集、真实数据集和Berkeley图像分割数据库上进行了实验，并与一些具有代表性的算法对比。实验结果表明，本文算法能有效减弱高斯核尺度参数的影响，增强对噪声点的鲁棒性，取得了良好的聚类和分割效果。