传统模式识别领域包含两个重要的研究主题,即无监督型聚类和监督型分类。无监督型聚类旨在利用样本间的相似性,把具有相同特性的样本分到同一个具有某种意义的簇中,从而发现样本的潜在分布结构,更好地理解和分析数据;监督型分类旨在根据给定的数据及其类标号设计出类判别函数,从而能对未知样本的类别做出正确的预测。本文工作包含两个部分,其第一部分集中在当样本无类信息给定时,力图设计出快速且鲁棒的无监督型聚类算法,使其能有效应用于图像分割。而第二部分则集中在当样本有类信息给定时,力图设计出既能揭示数据的结构分布又能有效预测样本类别归属的算法。本文的创新性成果主要包括:1、提出了一种快速且鲁棒的图像分割框架。该框架具有两个显著的特点:(1)通过融合图像的灰度信息和空间信息设计出相似性度量,并利用该度量达到去除图像噪声和保留图像细节的双重目的;(2)采用快速分割的思想使分割过程仅与图像的灰度级个数Q有关,而与像素个数(N>>Q)无关,从而大大减小分割时间的复杂度。利用模糊C均值和高斯混合模型验证了该框架的可行性和有效性。2、设计了一种鲁棒的模糊关系分类器。该分类器不仅能揭示数据的内在结构和决策数据的类别归属,而且能进一步利用聚类结构和类别之间的逻辑关系来帮助理解分类结果。由于该方法能有效地处理含有野值点的数据和含有非球状结构的数据,因此具有较强的鲁棒性和较好的适用性。3、设计了一种简单且有效的增强型模糊关系分类器。该分类器根据样本的聚类隶属度,选择部分具有代表性的样本来构造聚类与类别之间的逻辑关系,达到提高分类器鲁棒性、有效性和减小算法时间复杂性的目的。4、设计了一个单目标同时聚类和分类学习框架SCC。SCC可同时完成以下三个工作:(1)监督型鲁棒的聚类学习;(2)有效的分类学习及其结果的解释和分析;(3)聚类和类别间潜在关系的显式揭示。在SCC的基础上,进一步提出了多目标同时聚类和分类学习框架MSCC。与SCC相比,MSCC有以下两个显著优势:(1)用多目标形式刻画聚类和分类问题,达到去除SCC中参数β的目的;(2)MSCC扩大了SCC的解空间,因而可以获得更优的分类和聚类性能。5、设计了一个同时实现聚类学习、分类学习和度量学习的一般框架。这里的0度量学习可以等价为特征权值的学习。因此,该框架可同时达成如下四个目标:(1)学习出有效的特征权值来反映特征的重要程度;(2)在线性变换后的特征空间中,实现有效的聚类学习;(3)基于新空间中的聚类结构,设计出有效的分类策略;(4)揭示出新空间中的聚类和类别间的概率关系。