近年来半监督学习成为了机器学习领域的研究热点之一,作为半监督学习分支之一的半监督聚类也引起了越来越多的关注。与传统聚类算法相比,半监督聚类能利用少量的监督信息引导更好的数据划分或进行度量学习(Metric learning),从而获得更好的聚类结果。现有的半监督聚类算法基本上来自对无监督学习算法的成功改造,通常情况下是在原有聚类算法的目标函数中引入惩罚项来解决约束违反问题。均值偏移是计算机视觉领域的热门算法之一,但对于均值偏移的半监督改造无法直接借鉴上述方法,这似乎是导致半监督均值偏移算法研究少的主要原因。论文围绕均值偏移算法的半监督改造,提出了新的半监督框架,并将该半监督均值偏移模型应用于图像分割。本文的主要创新与研究工作总结如下:1.在全面总结了均值偏移算法的基础上,运用逐对约束传播的思想,尝试引入一个与均值偏移等价的目标函数来实现针对逐对约束的半监督均值偏移(SSMS)模型,而且还可以利用少量监督信息指导均值偏移中带宽的选择。在人工数据集和UCI数据集上的实验验证了该算法的有效性。2.在图像分割中,利用手工标记的少量逐对约束信息,不仅可以得到均值偏移需要的带宽信息,而且还能取得较好的图像分割效果。3.直接利用灰度图像的灰度直方图进行均值偏移,从而显著降低了计算量,进一步通过将原有迭代求解改造为非迭代求解,发展出了一个快速的灰度图像分割模型。