本文提出了一个新的图像分割方法——面向类的图像分割方法(Cluster-Oriented Image Segmentation Approach，COIS)。这个方法分两个步骤。第一步，用一种聚类方法，本文采用了一种高效的非参数方法——爬峰法，用一个小的聚类尺度对特征数据进行聚类；第二步，对第一步得到的类进行合并操作，使之最后得到的类能对应图像空间的区域，这一步是本方法的核心。第一步的操作对象是象素(或象素级的)，第二步的操作对象是第一步生成的类。这个方法适用于高维图像如彩色图像、纹理图像、遥感图像等的分割。通过一些例子，已初步显示了它的图像分割能力。 一般基于聚类的图像分割方法存在两个问题。一是在一开始就假定类——图像区域的对应(等同)关系，将重点放在聚类上，试图通过一次聚类就得到满意的分割结果；二是没有充分考虑象素在图像空间的相互关系，所以聚类得到的类尽管可能在特征空间有很好的聚类指标，也可能并不对应图像空间一个完整的区域。COIS法对这两个问题有了较好的解决。首先它没有一开始就假定类与图像区域的对应关系，不把重点放在聚类上，而是放在对由第一步聚类产生的类的合并上。二是它同时结合考虑了类在两个空间的性质。除了第一步需要一个不严格的聚类尺度参数外，在第二步没有聚类尺度概念。 围绕着完整系统的COIS法的建立，本文提出了：(1) 基于特征空间的亲和度指数和亲和伙伴。亲和度用于描述两个类在特征空间的相互关系，它提供了两个类按它们在特征空间的关系是否可以合并的一个依据。亲和伙伴提供了可能的合并对象；(2) 基于图像空间的聚合度指数，聚合度用以描述一个类的象素在图像空间形成区域的程度；(3) 基于图像空间的捕获度指数及捕获伙伴。捕获度用以描述两个类在图像空间的相互关系，即一个类被另一个类“捕获”的程度，它提供了两个类按它们在图像空间的关系是否可以合并的一个依据。捕获伙伴提供了可能的合并对象。这两个空间的指数是第二步进行类合并的基础。不同的指数组合运用就形成了不同的类合并方法，它们适合于不同的图像分割问题；(4) 提出了一个人机交互的方法；(5) 一个通过改变栅格尺寸达到分割图像目的的方法；(6) 提出了一个均匀度指数，用以描述一个类在图像空间分布的均匀程度，它可用于一个类的离散点的切除；(7) 表式直方图的一个快速构造法；(8) 直方图的压缩问题；(9) 两个新的爬峰实现法。其中(4)、(5)可以作为补充的方法，也可以作为独立的方法。