图像分割是图像分析、理解的基础，是图像处理的一个极其重要的环节，也是图像处理中最古老和最困难的问题之一；图像分割在很多领域得到了广泛的应用，吸引了很多的学者和研究人员。对图像分割的研究涉及分割特征的选取、算法的设计、计算复杂度的降低以及算法的快速实现等各个环节。图像分割的方法很多，每种方法都有各自的优点和不足。 聚类是模式识别领域非常重要的内容之一。它是把具有相似性质的事物区分开加以分类。由于图像分割问题恰好是将图像的像素集进行分类的问题，于是人们很自然地将聚类分析用于图像分割之中；基于聚类分析的图像分割方法是图像分割领域中一类极其重要和应用相当广泛的算法，无论是灰度图像分割、彩色图像分割还是纹理图像或者其它类型的图像分割，都可以应用聚类分析方法完成分割。 本文基于图像处理以及模式识别技术，针对聚类方法应用于图像分割的特点，着重进行聚类算法以及图像分割方法的应用研究，取得以下成果： 1.对图论聚类算法做了深入研究，就图论聚类算法的难点，提出一类最大熵图论聚类算法；该算法分析了数据类的类内差和类间差结构特点，并以此构造了一个基于图论最小支撑树的加权熵目标函数，根据最大熵原理，完成基于图论的聚类；该方法创新性地将分类数据集看成一个随机系统，不同的聚类划分是随机系统的不同状态，以香农的加权熵反映不同状态的信息量，根据最大熵原理，由熵最大的划分确定聚类结果。这个方法是完全无监督的聚类方法，不需要分类数以及初始聚类中心等先验知识，而且对数据类的形状不敏感。 2.本文将最大熵图论聚类算法应用到图像分割中，并讨论了图像特征数据的提取和分割的具体方法。该聚类方法用于图像分割不需要事先给定区域分割数，能自动地确定图像的分割类数，是完全无监督的图像聚类分割方法。 3.对聚类算法中关于数据样本相似度的定义进行认真分析，研究了以距离为相似度的缺点；根据数据集的分布，定义了一个新的相似度计算的方法。新的定义既考虑距离，同时考虑两个数据样本之间的分布差异，新的相似度定义更符合数据集样本的聚类要求。 4.在讨论生物免疫系统机理的基本原理基础上，分析了aiNET人工免疫网络进化机制的特点；根据aiNET网络的缺陷，提出一类基于抗原的抗原性的非均衡免疫网络(IaiNET)，将生物免疫网络中抗原的抗原性概念引入到人工免疫网络进化中，并根据生物免疫系统中抗原性的作用和机理，设计了基于抗原性的网络进化机理。在所设计的免疫网络进化机制中，免疫网络中的抗原的抗原性反映的是数据样本的特征，并影响免疫网络中抗体的特异性水平，从而免疫抑制的水平不同；通过进化产生的抗体免疫网络结构具有非均衡的特征。实验证明人工免疫网络引入抗原性，克服了原aiNET网络不能反映数据集典型样本特征的缺陷，并且抗噪声的能力大大增强。 5.将基于抗原的抗原性的非均衡免疫网络(IaiNET)聚类方法应用到图像分割中；根据非均衡网络抗原性的概念，基于图像的二维直方图的分布状况和直方图特点，构造聚类图像分割的数据集并基于二维直方图提取数据样本(抗原)的抗原性；利用非均衡免疫网络聚类的图像分割具有很好的抗噪声能力，而且是完全无监督的图像分割方法。