随着信息科学技术的迅速发展,日常生活中产生了大量的图像数据。如何对这些数据加以分类,并有效利用,成为了机器学习中的重要问题。图像聚类的目的就是根据图像的内容特征或空间属性,自动的将图像归类。计算机视觉领域的研究者们根据不同的聚类原理,提出了不同的聚类方法。针对传统聚类方法存在的噪声敏感等问题,本文提出了两种聚类方法。首先,对当前比较优秀的几类算法做了总结。基于稀疏的方法,利用了图像局部结构,但忽视了数据间的相关性。基于低秩表示的方法,追求全局低秩,利用了图像的整体特征,但其表示矩阵中存在大量稀疏噪声,这也会影响聚类结果。再者,低秩表示在有噪声的情况下,依旧利用带噪声的数据作为字典,这本身就会产生误差。其次,针对传统低秩表示聚类方法存在的稀疏性不足及噪声敏感等问题,提出了一种基于局部图拉普拉斯约束的鲁棒低秩表示聚类模型。通过在低秩表示中添加图像数据局部相似性的约束,在保持表示矩阵分块对角的特性下,增强了稀疏性。并针对该问题提出了一种交替方向乘子法。还对解的存在性做了理论说明。最后,提出了一种基于局部约束的鲁棒形状交互学习算法,该算法把K-NN算法与鲁棒的低秩表聚类算法相结合,使得最优邻接矩阵同时拥有局部和低秩的特征。相比较传统的低秩表示方法,该算法不仅利用了图像的整体特征,还对局部流形结构具有判别力。对该算法的聚类结果的理论分析,也进一步证明了该算法的邻接矩阵具有块对角结构。针对该算法提出了带罚值的线性交错法。本文算法采用鲁棒低秩表示模型,不仅降低了噪声的干扰,而且减弱了表示字典之间的线性相关性。与传统低秩表示方法相比,本文得到的表示矩阵既保证了分块性质,又更加稀疏,仿真实验结果表明聚类效果有明显提升。