图像分割是从图像中提取目标信息的重要手段，是进行图像处理的关键步骤。作为学界的研究热点课题，几十年来研究者提出了各种理论应用于图像分割。其中，基于聚类分析的图像分割方法受到广泛关注，也取得了很多成果。聚类分析是数据挖掘的一种方法。所谓聚类，就是把数据根据某些特征进行变换与划类，使类内的特征相似性尽可能大，而类间的特性相似性尽可能小，是一种高效的无监督学习方法。聚类的优点在于它不需要先验知识，只需要设定某一目标函数，通过迭代运算获得聚类结果。目前研究者提出的聚类算法，因为其高效简便，应用十分广泛。但是对于一些特定的问题，这些理论方法还需进一步研究完善。本文针对纹理图像的分割进行了研究。由于小波变换为纹理分析提供了一种多尺度的集频谱、结构和统计基础于一体的综合分析方法，具有良好的空间和频率分解特性，它通过伸缩和平移等运算功能对图像进行多尺度分解，是性能极好的图像多尺度多通道分析工具，为纹理图像在不同尺度上提取和特征表示提供了精确统一的框架。所以本文使用小波变换获得图像特征，然后结合聚类算法进行纹理图像分割。本文的主要创新体现在以下三个方面：（1）由小波变换构建纹理图像的多尺度金字塔特征结构，提取各层高频与低频的特征信息，然后从最粗尺度进行基于聚类的图像分割，结合Relief算法把分割结果向较细尺度传递，逐层分割，直到获得最细尺度的分割结果。（2）对均值漂移算法进行了深入的研究，讨论了该算法的复杂性，改进了其对带宽敏感性的问题，解决了聚类数的问题，结合纹理图像小波变化多尺度特征结构，实现了纹理边缘的细化分割。（3）针对高分辨率遥感影像特征，结合小波变换和约束均值漂移算法，实现了居民地和城区树冠的自动提取。