作为图像处理中的重要研究课题,图像分割决定着最终的图像分析和图像理解的结果和质量。这种处理方式的目的是将待处理目标对象分割成均匀属性的各个部分,是后续展开相关计算分析的基础步骤,是进一步研究区域提取和模式识别的前提。近年来诸多学者提出了一系列新颖、高效的分割算法。在这些算法之中,归一化割作为一种基于图论的分割算法,凭借其全局优化的特性得到了广泛的运用。通常情况下,该算法是以像素为处理对象实现切割,但效率较低,实时性较差,对噪声等因素较敏感。所以,有必要对传统的Ncut算法进行改进。分水岭算法基于拓扑理论和数学形态学,二次分水岭能更有效的降低目标对象的子区间个数。均值漂移算法,凭借其良好的特性常被用来对图像进行分割操作,但存在容易陷入“过早收敛”情况的缺陷。而结合混合粒子群能够实现均值漂移算法的自适应带宽选择。在此,我们提出三种新的改进算法,首先利用上述三种聚类算法对图像进行预分割处理,然后再利用传统Ncut算法对图像采取区域聚类操作。基于这种思想的新算法能够有效减少计算量和噪声等其他因素的干扰,改进了原算法特性。最后,我们还对改进后算法的性能进行了实验验证,就三种改进算法在处理同一图像时的运行效率和分割效果进行比对。通过实验结果,我们可以得知三种新算法相比原方法,运行耗时更短,分割效果更佳。基于二次分水岭的Ncut算法能够有效保留边缘信息;基于均值漂移的Ncut算法保留了色彩信息,分割效果和运算时间都能让人满意;基于自适应均值漂移的Ncut算法是复杂性和效率之间的良好折衷,无需形态学处理,进一步节省时间,算法的实时性也最好。