聚类作为一种无监督的分类技术,是数据挖掘领域的一个重要分支,被广泛应用于图像分割、模式识别等实际场景中。迄今为止,已有许多聚类算法被提出。这些方法通常通过优化单一目标实现聚类。近来,多目标进化算法和集成学习的思想被融入聚类算法中,也因此产生了多目标聚类算法和聚类集成算法。与传统的聚类算法相比,这些方法具有一定的性能优势。在这两种算法的基础上,学者们又进一步尝试将聚类集成算法和多目标聚类算法的思想融合,提出了多目标集成聚类算法,并取得了不错的结果。在此背景下,本文提出了一种基于双重相似度的多目标集成聚类算法,并将其与超像素分割算法结合,应用到图像分割问题上。论文具体工作如下:(1)提出了一种基于双重相似度的多目标集成聚类算法DSMOC。首先,算法基于多目标集成聚类算法的框架,引入了一种基于双重相似度的聚类集成算法,并将其改进作为多目标优化过程中的交叉算子产生新的聚类个体,加入种群;其次,算法引入了一种基于K-Means算法的搜索过程,用于演化过程中产生新个体。实验结果表明,本文提出的基于双重相似度的多目标集成聚类算法与其他聚类算法相比,能得到更高质量的聚类结果,且两个改进点都是有效的。(2)将提出的方法应用于图像分割。为此,我们首先引入了超像素分割算法对图像进行预处理,将像素转换为超像素,来提高后续聚类分割算法的处理效率。然后,采用所提算法对得到的超像素进行聚类分割。为了降低算法的复杂度,我们对所提算法进行了简化,取消了数据重采样的预处理步骤,并在保证分割质量的前提下,减少了优化迭代次数。在实验部分,我们将该算法应用到带有真实类别信息的自然图像上。实验结果表明,该算法在聚类指标和视觉分割效果上,相比其他聚类算法,能取得更好的分割效果。