图像分割是图像分析和模式识别的首要问题,它在很大程度上决定着图像的最终质量分析和判别分析的结果,半监督聚类是目前机器学习和数据挖掘领域的一个研究热点,吸引了众多学者对该领域进行研究,并取得了一定的研究成果。本文对图像分割方法和半监督聚类方法进行了研究,提出了两种基于半监督聚类的图像分割算法,并通过实验对其分割效果进行了验证,一定程度上丰富了图像分割算法的研究内容,给图像分割问题的求解提供了新的思路,具有一定的科研价值和应用潜力。半监督聚类是利用数据集中带有标签或者限制信息的样本数据辅助聚类的过程,因此,半监督聚类中最重要的问题就是如何有效的利用原始数据中提供的己知标签或限制信息,指导聚类过程,使其趋向于得到较好的结果。基于半监督聚类的图像分割算法针对传统基于聚类的图像分割算法存在的问题,这个问题是初始化类中心具有很大的随机性,利用半监督思想对基于聚类的图像分割算法进行改进,集成有限的人工监督信息,即在图像上点击有限的几个点以标识对应区域之间的关系,将这些点作为基于半监督聚类的图像分割算法中的带有标签信息的样本数据,利用这些样本数据初始化类中心,即借助少部分标签数据辅助大量无标签数据进行聚类学习,从而提高算法性能。从结构上看,本文首先对图像分割的基本理论和常用方法进行了介绍,包括传统图像分割方法和结合特定理论的图像分割方法,本文提出的两种基于半监督聚类的图像分割算法就是在结合特定理论的图像分割方法中介绍的基于聚类的方法的基础上改进的。第三章中对半监督学习、半监督聚类的相关理论进行了解释,对常用的聚类算法进行了介绍,明确了聚类的通用流程,重点介绍了两种经典的半监督聚类算法Seeds-KMeans算法和Constrained-KMeanS算法。第四章中提出了本文的核心内容基于半监督KMeans聚类的图像分割算法和基于半监督FCM聚类的图像分割算法,从算法提出的意义、算法的具体流程、以及算法的验证实验三个方面进行了详细的阐述。验证实验表明,本文提出的算法在一定程度上效果良好。最后对全文进行了总结,并指明了下一步的研究和工作方向,对基于半监督聚类的图像分割算法的进一步发展提出了自己的看法。