遥感图像包含丰富的地物信息,对遥感图像中的关键目标进行分割和提取能够为多领域提供极大的研究价值。图像分割技术可以实现对关键目标的分割,其中聚类作为图像分割领域的经典算法被广泛应用,但在处理地物相互交错且纹理信息复杂的遥感图像时,往往在不同地物的邻接处分割效果较为模糊。同时利用聚类算法对遥感影像进行分割前,需要根据人为经验去指定聚类的类别数目,无法实现程序自动化处理。本文提出基于局部相关的聚类分割技术可有效弥补现有算法的不足,提升算法对遥感图像的分割精度。具体的研究主要包括两部分:（1）提出一种基于距离均值的初始聚类中心选取方法。针对聚类算法初始聚类中心点的随机生成方式和需要人为指定聚类类别数目这两个待改进问题。该方法在样本高密度区域中选取两个具有最高样本密度的样本点,并在两样本点的欧氏距离均值处,选定为初始聚类中心点。在算法运行结束时,最终生成的聚类中心点数目作为图像的聚类数目。相较于对比算法,本方法能够准确表征样本点的分布情况,所选取的初始聚类中心点更接近于真实值,进而减少算法的迭代次数,提升算法的运行效率,并且可实现程序自主化确定聚类数目。通过对SCCTS和2D15两个数据集进行反复实验验证,本文所提出的改进方法在算法有效性和运行效率方面优于文中所介绍的对比方法。（2）提出一种局部相关性模型。针对聚类算法在处理地物复杂分布的遥感影像时,在地物分割边缘处存在严重的模糊问题。该方法通过构建的局部相关性模型来表征局部区域内的邻域像素对中心像素的相关性程度。该模型可以充分挖掘像素间的局部相关性,进而消除遥感图像不同类别边界处的模糊性。在融合了局部相关性模型的改进算法基础上,将算法的目标函数建模成不同的子问题。通过加权控制因子来平衡图形细节的保持和图像噪声的抑制两个控制项,进而得到在图像细节保持和噪声抑制方面的均衡解。通过进行大量的遥感图像分割实验,验证了本文提出的算法可有效解决分割边界处的模糊问题,且适用于大部分遥感影像。