在计算机视觉的相关研究中,图像分割无论是作为一个单独的应用方向,还是作为目标检测、目标跟踪、图像内容理解等算法的重要步骤之一,均有着不可替代的地位。目前已有许多较为成熟的图像分割方法,现有方法大致可分为两类:传统的分割方法与基于深度学习的分割方法。然而此二类方法虽然对于图像中肉眼可见的部分噪声、小面积图像缺损、光照不均衡等不利情况均提出了相应的处理算法,但是对于图像内部在抽象意义上与高维层面上的冗余信息与复杂噪声的存在却束手无策。子空间聚类算法可以将图像信息从高维映射到低维,从而剥离维度间的冗余信息与复杂噪声,实现抽象意义上的去噪。因此,本文将稀疏子空间聚类算法应用于图像分割任务之中。本论文在自然图像作为分割目标集合的基础之上,首先对于目标数据集进行了一系列的预处理操作:通过超像素分割算法来降低后续分割算法的计算复杂度与空间占用情况,并针对自然图像所具有的多数目标间颜色区别明显、纹理清晰等特性选取了颜色直方图特征、局部二值模式特征与神经网络所提取的深度特征三种特征,以超像素块为单位获取其特征矩阵。其次,本论文在基于聚类方法来进行图像分割的过程中,嵌入了经典的稀疏子空间聚类算法。通过对分割结果进行缺陷分析,提出了权重可学习的多任务稀疏子空间聚类算法。实验表明,该算法相对于经典稀疏子空间聚类算法与其他现有改进算法而言具有优越性。由于聚类方法实质上为一种无监督手段,且用于分类的特征较为单调且浅层,即使加入了深度特征也无法获得最理想的分割效果。相对地,深度学习方法作为一种便捷有效的、端到端的、有监督的分割手段成为了现今图像分割领域的主要研究方向。因此在前述研究的基础上,本论文将稀疏子空间聚类算法及其改进算法封装为一个参数可学习的模块,嵌入到经典分割网络U-Net中,提出了SSCUnet与RSSCUnet,获得了更优的分割效果。最后,本论文应用条件随机场算法进行了分割结果的廓线优化,使得分割效果得到了进一步提升。