图像分割就是将图像分解成若干个互不交叠的区域，处于同一区域内部的像素点的某些属性或特征相同或相近。基于聚类的图像分割方法在图像分割中得到了广泛的应用。在图像处理方面，凡是涉及目标提取和分析的过程都离不开图像分割，尤其是在军事和医学领域具有重要意义。图像配准是通过寻找不同时间、不同视角下或者由不同传感器获取的同一场景的两幅或多幅图像之间的空间变换关系，对图像进行匹配叠加的过程。图像分割和图像配准问题一直是图像处理领域的两个热点研究问题。聚类作为一种有效的分割手段可以应用于图像分割和图像配准中，因此，本论文主要围绕基于聚类方法的图像分割和图像配准完成了三方面工作：聚类算法、分割算法以及配准三部分：首先，提出了一种基于流形距离的两阶段聚类算法。将聚类算法分为两个阶段，第一阶段通过全局K均值算法对数据集进行粗聚类，第二阶段对粗聚类所得的结果以流形距离为度量准则进行二次聚类。其次，提出了一种基于两阶段聚类和分水岭算法的分割方法。该方法将标记分水岭方法与两阶段聚类相结合。该方法先对原始图像进行标记分水岭分割，对分割结果再进行两阶段聚类，将图像离散小波三层变换的子带能量和灰度信息作为图像的特征向量。最后，提出了一种基于模糊聚类的图像分割方法作为空间约束的尺度不变特征变换(SIFT)图像配准方法。该方法通过引入松弛参数的快速归一化模糊C均值聚类(FGFCM)分割方法对原始图像进行分割并提取目标区域的不变矩特征，对目标进行匹配，提取匹配区域的SIFT特征点进行匹配，并将其与整幅图像所获得的SIFT特征点对合并，作为候选特征点对，对候选特征点对进行过滤，去除误匹配点对，最终求取变换参数。