图像分割是图像分析,识别和图像理解的基础,是图像处理到图像分析的一个极其关键的步骤之一。正是由于图像分割的这种重要性,国内外一些学者对其进行了大量研究,同时也提出了各种各样的不同的分割算法,但是这些算法大多是针对某些特定的研究对象,到目前为止,仍然没有一种通用的分割理论。因此人们还在不断的探索新的分割算法和分割理论。本文在分析了目前几种常用的图像分割算法的基础上,提出了几种改进的基于聚类分析与水平集算法的图像分割算法。主要工作如下：(1)改进了传统的层次聚类算法。其基本思想是采用多个参考点来有效的表示一个聚类区域和形状,然后基于相似参考点进行小簇合并,同时引入聚类有效性指标来评价新簇的质量,重新划分低质量的新簇,避免低质量的新簇向高层扩散。该算法在图像分割领域的应用结果显示,该算法可得到较高质量的分割结果。(2)改进了传统的模糊聚类算法。提出了一种改进的加权FCM图像自动分割算法。该算法的基本思想是：先从图像的灰度-梯度共轭直方图中自动得到聚类的数目,即自动得到图像分割的块数,接着使用加权FCM算法,最终实现了图像的快速精确地分割。(3)改进了传统的密度聚类算法。提出了一种改进的基于密度的图像分割算法。该算法在传统的密度聚类的基础上,利用三角形不等原则快速得到像素之间的关联性,大大降低了算法的计算复杂度,提高了图像分割的效率。通过实验证明,本文提出的基于三角形不等原则的密度聚类算法应用于图像分割领域,图像分割速度得到了明显提高。(4)提出了一种基于改进水平集的图像分割方法。该算法通过分析传统的Chan-Vese模型,提出了一种有效的基于常微分方程的改进模型。该模型具有较好的抗噪性能,能快速计算出一幅图像的全局最优分割。本论文就不同的基于聚类分析图像分割算法进行了研究和讨论,并通过相应的手段对原有算法进行了优化,大量实验结果表明,本论文中提出算法的具有很强的实用性,鲁棒性与有效性。