作为数字图像处理的关键技术之一,无监督图像分割由于普适性强、无需人工事先标注图像等特点得到了广泛关注。在无监督图像分割领域,粗糙模糊C-均值聚类算法由于其效率高、原理简单等优势得到了广泛研究与应用。该算法将粗糙集与模糊集理论与聚类方法相结合,利用粗糙集中的上、下近似概念和模糊隶属度来处理数据中的不完备性与模糊性。然而,传统的粗糙模糊C-均值聚类算法具有对初始化敏感、容易陷入局部最优以及仅考虑一个聚类准则函数而无法满足多样的分割需求等缺陷。多目标进化聚类算法虽然能够有效地解决上述问题,但是由于图像分割任务涉及大量昂贵的目标函数计算,导致算法计算成本高、运行时间较长、应用场景受限。针对这些问题,本文将代理辅助的多目标进化算法与粗糙模糊聚类相结合,提出了三种代理辅助优化驱动的多目标粗糙模糊聚类图像分割算法。本文的主要研究工作概括如下:（1）提出了一种可靠区域信息驱动的Kriging代理辅助的多目标粗糙模糊聚类图像分割算法。该算法结合多种超像素方法的优势,设计了一种基于可信度的图像区域信息提取策略,从而在抑制噪声的前提下保持较为丰富的图像细节。然后,利用粗糙集描述的不确定信息与提取到的图像区域信息,设计了像素级粗糙模糊类内紧致型函数、原型级粗糙可分性函数和超像素级概率熵函数,从多个层次同时评价聚类中心以满足多样的分割需求。为了以较低的时间成本同时优化三个目标函数,本文设计了一种增量Kriging代理辅助的多目标进化聚类框架,其中包含一种初始种群修复策略与一种改进的填充采样准则。最后,采用图像的可靠区域信息构造了一个粗糙模糊聚类选解指标,用于从非支配解集中寻找出最优解。人工合成图像、Berkeley与Weizmann图像上的分割实验表明,该算法在分割精度、噪声鲁棒性与运行时间方面均表现良好。（2）提出了集成分类回归树代理辅助的多目标核粗糙模糊自动聚类图像分割算法。其中,为了有效地自动识别聚类的个数以及聚类的粗糙程度,设计了三个互补的基于核映射的粗糙模糊聚类目标函数。为了克服传统多目标自动聚类算法无法建立代理模型以降低计算量的缺陷,算法采用了基于聚类中值的编码策略,并针对该编码方案的特点,设计了集成分类回归树代理模型以更好地拟合目标函数。在填充采样策略中,设计了基于密度的不确定性评估方法,为评估代理辅助的进化算法中个体的不确定性提供了新的方案。最后,利用粗糙集的上、下近似划分关系定义了一个粗糙模糊聚类最优解选取指标以选取最优解。人工合成图像、脑部磁共振图像、遥感图像与Berkeley图像上的分割实验表明,该算法能够以较低的时间成本确定合适的聚类个数,并取得良好的图像分割结果,具有较好的普适性。（3）提出了多代理辅助的密度敏感的多目标粗糙模糊自动聚类图像分割算法。该算法通过构造具有多对互补关系的粗糙模糊聚类目标函数,以实现对聚类粗糙程度、聚类模糊程度、聚类个数的自适应,从而降低了对用户先验知识的要求。为了提高算法对聚类中心寻优的性能,设计了一种基于灰度直方图的快速密度估计策略与基于灰度级的定长编码方案,利用获得的像素密度信息提升聚类精度。然后,为了提升代理模型对目标函数的预测精度,构造了由分类回归树、Kriging与径向基函数模型构成的多代理模型。最后,利用像素的密度信息与粗糙集刻画的边界集信息,构造了一个粗糙模糊聚类选解指标,用于从非支配解集中寻找出最优解。模拟脑部磁共振图像、真实脑部磁共振图像以及胸腔放射影像上的分割结果表明,该算法在噪声鲁棒性、聚类个数自适应以及时间效率方面均表现良好。