图像分割就是指把图像分解成各具特性的区域并提取出感兴趣目标的技术和过程,它是由图像处理到图像分析的一个关键步骤,在图像工程中占有非常重要的位置,已在诸如计算机视觉、模式识别和医学图像处理等实践中得到了广泛的应用。传统的阀值法在图像区域分割中具有非常重要的作用,但存在着不少问题,对于存在噪声干扰或要进行多区域分割的图像,阀值法很难得到理想的分割结果。而聚类算法是一类无监督的学习方法,它能够在缺少先验知识的情况下,把没有类别标记的样本集按某种准则划分成若干类,使类内样本的相似性尽可能大,而类间样本的相似性尽量小,从而完成数据集的聚合。该思路与图像分割的思想是一致的,因此,聚类算法在图像分割中得到了十分广泛的应用。本文针对图像多区域分割,讨论使用K-means、FCM与高斯混合模型进行图像分割的具体算法与步骤,并给出相应的实验与分析。对高斯混合模型,引入了数据简约技术,实验表明,通过合理的数据简约对分割算法的整体时间效率有较大提高。针对传统划分式聚类分割算法的一些不足之处,提出一类基于图像分块与边界区域检测的快速聚类分割方法。该方法首先构造一类更有效的二维特征作为图像聚类中的样本特征,然后使用图像分块与边界检测技术实现聚类中心的初始化,进而使用有效的初始聚类中心对原图像进行聚类分割。通过实验仿真及算法有效性分析,该方法的整体性能较经典FCM聚类分割及基于灰度-均值二维特征FCM聚类分割方法有了较大的提高。纹理图像分割是图像分割技术领域的难点之一,本文针对部分特殊的半纹理图像,首先详细讨论了纹理分析的分形方法,分形方法是纹理分割、分类中使用最多的经典方法之一,针对DBC差分盒模型,通过对Brodatz纹理库中纹理图像的分析,结合灰度图像聚类分割的方法,提出一种满足半纹理特性图像的区域分割方法,通过大量实验表明,该方法在某些特定图像上可取得较好的分割效果。在聚类算法中影响聚类精度与效率的一个关键问题是初始聚类参数的选择。对此,本文首先详细讨论聚类数的选取方法,通过实验比较了部分有效性指标的性能;另外,还讨论了基于密度函数的聚类中心初始化方法,对密度函数法进行了有效的改进,并利用人工数据与图像数据对后者的性能进行详细的分析,证实了其可行性。