聚类是数据分析的重要工具,主要包括划分法、层次法、密度算法、图论方法、网格算法以及模型算法等方法,其中模糊C均值算法(FCM)是目前最常用的算法之一。如何提高聚类算法的正确性和适用性是学者们研究的主要方向。图像是人们获取信息的主要来源之一,而图像分割是图像分析、处理的基础,所以研究高效、精确的图像分割算法也是学者的重点研究内容之一。近年来,很多学者致力于研究模糊聚类解决图像分割问题,并提出了大量算法。本文的研究内容是在FCM算法的基础上,通过广义熵以及空间信息的引入,实现了基于广义熵的空间调整聚类算法。将目标函数的求解过程分为两个阶段,第一阶段使用Hopfield神经网络优化中心点,第二阶段使用复突出神经网络优化模糊隶属度,解决了算法在图像分割中的应用。此外,本文在广义熵空间调整聚类算法的基础上,进一步研究了集成方法对划分结果的影响,提出了基于广义熵的空间调整聚类集成算法。文中引用了三种模糊聚类成员选择方法对原始聚类结果进行初次选择,之后使用两次选择和一次加权的方法选择具有典型代表性的聚类成员,最后利用MCLA,CSPA,HGPA三个集成函数对聚类成员进行融合,得到最终划分结果。同时,本文将目标函数中的欧式距离替换为高斯核函数,研究了核方法下的聚类集成算法的有效性。另外,本文还研究了基于图像约简技术的聚类集成算法,通过屏蔽图像像素中后n位,并将原始图像中相同灰度值的像素点划归为多个像素组,继而使用聚类集成方法处理图像,最终将同一像素组中的像素点划分到同一个聚类中。本文实验部分使用lena、binimage、cameraman、coins以及rice等常用图像对所提出的算法进行测试,实验结果表明本文提出的基于广义熵的空间调整聚类以及聚类集成方法都能够得到较好的图像分割结果,通过对比实验可以发现本算法在图像分割的细节处理上具有一定的优越性。