本文针对机器学习应用于图像分割领域进行了研究,针对图像分割方法及相关问题做了三方面的工作,包括：利用流形结构的谱聚类进行图像分割,利用核传递进行图像分割,利用核传递进行交互式的前景提取。针对谱聚类应用于图像分割方面,存在的高的计算复杂度,结果不稳定,以及巨额的存储空间等问题,本文提出了基于流形结构的谱聚类的图像分割方法。本文基于一幅图像可以用很多个流形表示的思想,采用均值漂移方法获得图像的流形表示。本方法可以获得良好的分割结果,同时不仅降低了计算复杂度和存储空间的需求,而且避免了不稳定的分割结果。核传递是一种新的半监督核矩阵学习的方法。通过将核传递应用于图像分割,本文提出了基于半监督核矩阵学习的自动图像分割方法。通过全局K均值聚类和自适应谱聚类选择初始种子点,使得种子点具有全局代表性,根据种子点集合构造种子核矩阵。采用核传递方法,将种子核矩阵具有的信息传递到全核矩阵当中再利用全局K均值聚类全核矩阵,获得每个像素点的标签。实验结果表明,本文的方法优于一些经典的聚类方法在图像分割领域。将核传递扩展到交互式的图像分割,本文提出了基于核传递的交互式前景提取。首先利用均值漂移方法对图像进行预处理获得超像素,需要用户在预分割后的图像上做标注,这些标准表示了前景和背景的位置。本文利用这些标注区域形成的成对约束信息为核传递构造种子核矩阵,然后采用核传递将种子核矩阵传递到全核矩阵中,获得用户感兴趣的前景区域。实验结果表明,本文提出的方法可以有效保持种子点的统计特性,对图像内容有自适应性,可以获得优良结果。