图像分割是一种将图像分成互不重叠的区域并提取出感兴趣目标的技术，它是进行图像分析与理解的前提，图像分割的好坏直接影响到图像的分析结果，因此，图像分割在理论和实际应用中都得到人们的广泛重视。目前，存在许多不同的图像分割方法，在实际应用中发挥了重要的作用，然而，这些不同的分割算法只能用于分割特殊图像，并不存在完善的方法可以按照人们的意愿准确地分割图像，因此，研究人员至今一直在努力发展新的、更有潜力的分割算法，以期实现更通用、更完美的分割结果，从而更好地用于图像分析。针对图像分割问题，本文利用谱聚类方法对图像分割进行了研究，具体内容如下：（1）基于分块技术的图像分割方法研究针对谱聚类方法在处理大数据集存在的问题，利用分块技术研究了图像分割问题。首先，将图像划分为较小的图像块，并将每个图像块视为一个独立的图像；然后对该独立图像进行预聚类，并将预聚类的结果进行融合，随后在融合的结果中随机抽取一个点以此构成图像的特征数据；最后利用谱聚类方法对这些数据进行聚类，从而获得原图像的分割结果。（2）图像分割的聚类集成方法研究针对图像分割方法对参数选择过于敏感的问题，利用集成学习方法具有的鲁棒性和泛化能力强的特点，对图像分割方法进行了融合研究。通过分析研究谱聚类算法和超边界融合方法存在的问题，将谱聚类算法中的K-MEANS修改为FCM算法，利用FCM形成的隶属度矩阵将超边界融合方法中的“0”和“1”扩展到[0,1]范围，并对新超边界进行聚类，以此获得最终的图像分割结果。（3）基于图像形态学的图像分割优化针对谱聚类算法在图像分割中易出现孤立点或区域问题，研究了基于图像形态学的优化方法，通过标注连通分量优化图像分割结果，以便去除图像分割中的孤立点，从而减少由于度量标准的不同所造成的错分情况。实验研究了扩展超边界后的聚类集成算法的聚类正确率和时间效率，并对图像进行了分割处理，之后将获得的分割结果利用图像分割优化算法进行优化，同时将优化结果与Ncut方法进行了对比，对提出的方法的有效性和时间效率进行了验证。