图像分割是将图像分成不同属性区域的过程，它是图像理解的基础，分割结果的好坏将会影响到图像的分析和理解。传统的图像分割方法有很多种，随着数学、计算机科学等相关学科的发展，出现了许多与特定理论相结合的图像分割方法。其中基于谱图理论的图像分割方法是当前研究的一个热点。传统的基于谱图理论的图像分割方法通常使用特征的欧氏距离的Gauss函数作为相似度，尺度参数是人为选取的，使得该函数具有一定的局限性。本文利用图像特征数据的子空间表示来构造相似度矩阵，能更好地体现出图像特征数据的子空间结构。本文对子空间表示的系数矩阵加以非负、低秩、稀疏约束，同时用干净数据作为字典，给出了一种非负低秩稀疏的子空间表示模型。非负性符合视觉仿生数据，稀疏性可确保系数矩阵是稀疏的且能体现出数据的局部低维子空间属性，低秩使系数矩阵能更好地表示全局数据的子空间结构，且对噪声和异常点更鲁棒。在此基础上，本文给出一个新的图像分割方法，先对图像进行预分割并提取图像块的特征数据，利用自适应惩罚参数的线性交替方向算法求解特征数据在非负低秩稀疏约束下的子空间表示系数，利用子空间表示系数构造相似度矩阵，最后用谱聚类方法得到分割结果。数值实验表明，本文提出的模型对彩色多目标图像分割，在有噪声与无噪声的情况下均能得到较好的分割结果。