作为无监督模式分类的一个重要分支,聚类分析近年来成为研究的热点,在许多领域被广泛地应用.应当认识到,无论从理论的发展还是实际的应用来看,算法如果要应用于科学和工程领域中,就必须是鲁棒的.对于聚类分析而言,鲁棒性的两个重要内涵就是对噪声和外围点的鲁棒性和对于初始化的鲁棒性.该文研究了基于高斯估计量的鲁棒聚类及其在图像分割中的应用.首先,针对模糊C均值聚类算法对于噪声敏感的缺点,将鲁棒统计学引入聚类分析,提出了基于高斯估计量的鲁棒估计,并发展出能够对类中心实现鲁棒估计的鲁棒高斯聚类(RGC)算法,以及可以检测不同大小类的多分辨鲁棒高斯聚类(MRRGC)算法.这些无约束的鲁棒高斯聚类算法体现了良好的对于噪声的鲁棒性.其次,为了克服可能性聚类和鲁棒聚类对于初始化敏感、易产生"巧合类"的弱点,将模糊约束引入鲁棒参数估计理论,提出了基于模糊加权的M估计,并发展出模糊鲁棒高斯聚类(FRGC)算法.进一步放宽加权函数的约束条件,发展出比例加权鲁棒高斯聚类(PWRGC)算法和多分辨比例加权鲁棒高斯聚类(MRPWRGC)算法.这类约束型的聚类算法在保留了参数估计的鲁棒性的同时,体现了良好的划分能力,实现了对噪声鲁棒性和对初始化鲁棒性的统一.基于高斯估计量的鲁棒聚类算法还被成功地应用于图像分割.较之FCM,它们表现了较强的抑制噪声和处理局部信息的的能力.