图像分割是计算机视觉领域的研究重点。传统的图像分割方法基于像素点处理图像,没有考虑到像素点之间的空间与颜色等信息关联,分割效率较低。为了提高图像分割的质量和效率,本文利用图像像素点之间的信息相似性将图像划分为尺寸相当的多个区域块,即超像素。超像素把图像处理的基本单位由像素点级转变为像素块级,能够减少所需处理的信息数量,为后续的图像处理降低复杂度,提升图像分割的有效性。针对当前的密度聚类分割方法存在的不足,本文从不同角度提出两种超像素分割方法。首先,针对现有密度聚类的超像素分割方法存在生成的超像素形状不规则、图像边缘细节分割不准确以及孤立异常点影响分割精确度等问题,提出一种自适应种子点选取超像素分割方法,有效避免因人工主观因素选取种子点所带来的影响。该方法首先将输入的待分割图像进行预处理操作,按照信息的关联程度把图像分割为多个尺寸相当的子区域,然后按照一维矢量函数表达式把LAB颜色空间对应的LAB三个颜色分量转换为多种可能结果的矢量,并根据矢量值进行从小到大排序,求出所需的阈值条件,为自适应种子点选取提供依据和条件。其次,通过种子点的选取对图像像素点进行k-medoids聚类,并在聚类过程中进行聚类中心点的更新。最后,应用近邻合并法清理边缘孤立像素点进行异常点处理,以避免对超像素分割的影响。实验对比结果表明,该方法在分割精确度与超像素形状的规则程度等方面均有明显提升。其次,在上述基础上,为了避免种子点选取过程受到噪声干扰,提出一种基于密度排序聚类的超像素分割方法。该方法首先将RGB模式转换为HSV颜色模式,其次基于全局图像进行聚类簇构造,以类簇为中心进行种子点的重新分配。最后,将聚类中心放置在密度值最大的位置,并使其出现在一个较小的邻域范围内,如果期间在边界产生孤立点,则按照边界异常点处理。实验结果表明,该方法能够有效避免噪声以及边界异常点的影响,在分割精确度与边缘召回率等方面均有进一步提升,并且生成的超像素形状更加规则。