图像分割是指将图像分成互不重叠、有意义的区域。它是图像处理到图像分析的中间步骤，同时也是计算机视觉研究中从低级视觉到高级视觉的连接纽带。谱聚类图像分割算法是人们研究的热点，目前已经研究出许多的基于谱聚类的图像分割算法，其中规范化割(Normalized cut)算法的应用最为广泛。规范化割(Normalized cut)算法准则是一个寻求全局优化解的准则，但是该算法在运行时存在高昂的计算复杂度和巨大的内存需求。分水岭算法是一种非监督的图像分割算法，该算法的优点是收敛速度快、分割出的边界连续且封闭，对微弱边缘也有较好的分割效果。然而，分水岭算法的不足之处在于容易产生过分割现象且对噪声敏感。针对规范化割(Normalized cut)算法以及分水岭算法各自的特点，本文设计了一种形态学分水岭结合谱聚类的图像分割算法来减少计算量以及噪声的干扰，在此过程中，本文的主要研究内容为以下几方面：（1）分析了分水岭算法，其中包括浸入式分水岭算法的物理模型以及算法步骤，分析给出分水岭算法存在过分割以及对噪声敏感的问题，并通过模拟仿真验证分析的结论。阐述了图的相关基础理论，介绍了基于图的五种图像分割准则，随后推导出规范分割准则（Normalized cut）的求解过程以及2路规范割算法和K路规范割算法，最后给出了K路规范割算法中需要用到的K均值算法的流程。（2）针对分水岭算法存在的对噪声敏感以及过分割的问题，对经典分水岭采用阈值形态学的方法进行改进，减小了经分水岭算法过后的“区域”数目，最后对图像的“分水岭”处进行边界分配。我们将这些分割后的“区域”用该“区域”的中心点来表示，称之为区域像素点。构造一幅无向加权图来描述这些区域像素点之间的关系，计算区域像素点之间的相似性时，灰度高斯核函数尺度因子以及距离高斯核函数尺度因子不需要手动设定，分别用区域灰度差的方差以及距离的方差来替代。（3）对于构造的无向加权图，利用规范割（Normalized cut）算法聚类，对图像进行K路规范割算法聚类时，对传统K均值算法稍作改进，避免了因随机选取初始点而造成陷入局部最优解的情况。本文提出的形态学分水岭结合谱聚类的图像分割算法并非采用传统的规范割（Normalized cut）算法对像素点进行聚类，而是对表示一个区域的区域像素点进行分类，因而提高了分割图像的运行时间。并通过实验证明了本算法优于传统的规范割（Normalized cut）算法。