随着科学技术的发展,将接收到的彩色图像进行处理,以备进一步的分析和研究,已经成为了图像工程领域亟待解决的问题。图像分割作为图像处理的基础,是保证图像分析进行的根本。基于聚类的图像分割技术一直是研究的热点,特别是谱聚类算法,因其对样本空间的分布没有限制且可以收敛于全局最优解,在图像分割领域取得很好的效果。然而传统谱聚类算法是基于图谱理论的,在海量数据运算、相似性构造等方面还存在许多尚未解决的问题。本论文对基于超像素和谱聚类的交互式彩色图像分割算法进行研究,首先通过引入超像素以体现后续图像分割结果的整体性,然后在超像素区域的基础上,研究谱聚类算法中的采样策略、区域间的相似性测度构造、用户标签信息的使用。本论文的主要工作为以下三方面:(1)基于谱图理论基础的谱聚类算法在如何处理大规模数据以及如何选取图像的有效特征等方面还没有提出很好的解决办法。针对这一问题,提出了基于超像素和区域特征的Nystrom谱聚类算法,在本算法中将谱聚类算法与超像素结合起来,引入区域特征选取,并在Nystrom算法中设计隔点采样的策略,有效的提高了运算效率,解决了相似性矩阵存储内存容易溢出的问题,提高了算法的稳定性。实验结果表明,这种算法在分割结果和分割效率方面都优于传统的FCM算法和Nystrom算法。(2)在Nystrom算法中,样本点的选取直接影响算法的稳定性和有效性,本文利用用户给定的采样标记,提出了基于人工采样的Nystrom谱聚类分割算法。在算法中,将隔点采样和人工采样的方法结合起来,通过人工指导采样选取,不仅使得采样点更为分散,且更有利于选取到一些小目标中的信息,得到精准的分割效果。(3)相似性矩阵的构造是谱聚类算法的关键步骤。本文针对图像区域的完整性和相似性测度的鲁棒性,引入超像素和模糊理论,提出了基于半监督的超像素谱聚类彩色图像分割算法。该算法利用用户提供的少量标记信息构造预分割区域的模糊相似性测度,再利用该相似性测度构造预分割区域的相似性矩阵并通过规范切图谱划分准则对预分割区域进行划分得到最终的图像分割结果。由于少量标记信息和模糊理论的引入,提高了传统谱聚类的分割性能,对比实验也表明该算法在分割效果和计算复杂度上都有较大的改善。