随着计算机技术的迅猛发展，我们需要面对的数据量呈现出成指数上涨的趋势，挖掘数据内部联系的数据挖掘问题变成了一个越来越重要也越来越急需解决的问题。聚类算法作为数据挖掘中一种很重要分支，近年来得到了研究者的广泛关注。本论文以多目标优化聚类算法和图像分割为背景，本论文的主要工作概括如下：(1)提出了一种基于免疫克隆多目标优化的同时聚类和分类算法。算法采用免疫克隆多目标优化算法对同时聚类和分类的框架进行优化，通过基于非支配度排序的改进的免疫克隆操作和免疫基因操作，使得算法得到较多的非支配解，从而更佳利于种群的优化并得到更优的分类结果。通过仿真实验，可以看出算法具有很好的多样性，均匀性和收敛性。具有更优的分类正确率。(2)提出了一种基于免疫克隆多目标优化的同时聚类和分类算法的图像分割框架，通过灰度共生矩阵和Gabor滤波共同提取图像特征，并通过采用分水岭图像预分割处理机制，加快了免疫算法在处理图像问题的速度。仿真实验验证了算法的分割准确性和均匀性。(3)提出了一种基于多目标粒子群算法优化选点的Nystr m谱聚类算法，通过选取样本紧凑度和局部紧凑度的亲和度函数并使用多目标粒子群优化算法得到了具有更好的多样性和均匀性的Nystr m谱聚类算法代表点，从而解决了Nystr m谱聚类算法存在的不稳定性，有效提高了Nystr m谱聚类算法的分类准确率。仿真实验表明，本算法具有更佳的稳定性和分类正确率。