图像聚类与检索作为计算机视觉领域中高层语义理解层面下的两大研究方向具有广泛的应用价值。其主要研究方向集中于如何形成合理的图像特征表达和设计优化的推理求解算法。使用MRF模型进行图像建模表达，通过运用统计学习思想，利用概率分布形式描述元素间相互作用，可有效地刻画出图像空间依赖关系，相比于传统判别模型，降低了图像理解的模糊性和二义性。该类模型通过将推理任务等价转化为能量最小化问题，提供了广泛的优化求解算法。本文以图像聚类和检索这两大任务为驱动，重点研究MRF模型下的ICM和图切割两种离散优化算法的有效求解过程，主要工作如下：（1）分析并总结了MRF模型在图像处理相关领域的研究现状，引出MRF模型应用于图像聚类和检索任务中的重要意义和价值。（2）概述了MRF基础理论，给出能量函数基本定义及最大后验概率求解框架，重点分析ICM和图切割优化算法求解原理。（3）针对传统聚类方法缺乏图像空间关系的特点，研究提出一种基于MRF模型的图像聚类方法，将图像聚类问题等价转化为能量最小化问题，分别使用高斯混合模型和Potts模型进行图像特征场和标签场能量建模；进一步提出基于K-近邻思想的邻域系统构建方法，在贝叶斯框架下，通过ICM算法获得图像聚类任务的优化解。（4）针对传统图像检索方法中非目标区域对检索结果产生很大噪声的问题，研究提出基于图切割的区域图像检索方法，给出区域图像检索算法框架，研究分析图切割算法在图像分割任务中的有效性及在区域图像检索在中的重要作用。