生命信息科学的不断发展，对信息源的要求越来越高。在植物切片的分析研究中，常常需要对图像中各个不同特征的子区域进行详细研究。这就需要对切片的各个不同特征的子区域进行按类分割，然后对各个子区域分别进行特征描述。传统的聚类分割方法，主要集中在图像的纹理特征或灰度上，对图像信息量的使用比较不充分，在植物切片的特征区域分割上很难取得理想效果。本文针对植物切片的丰富的颜色特征和细致的纹理结构，基于k-mean，融合颜色、空间坐标以及纹理特性的多维信息，研究不同特征区域间的聚类分割方法。主要工作如下：（1）对本论文涉及的植物切片图像，采用目前主要的图像分割技术进行分割试验，通过试验结果分析各种方法的优缺点，指出这些方法对植物切片特征区域分割所存在的困难。（2）深入研究了Mean Shift和k-means聚类分割方法。通过大量试验、分析和比较，指出Mean Shift算法在聚类过程中所具有的良好自适应性，但其核函数的带宽在某种意义上限制了这种自适应性。k-means算法原理简单、聚类效果好，在初始化聚类中心时比较灵活，但也因此会导致聚类工作量变大。图像特征的选定与提取在这里成为关键，不同特征带来不一样的分割效果，也影响聚类工作量的大小。（3）针对本论文涉及的植物切片图像特点—丰富的颜色特征和细致的纹理结构，研究建立了基于纹理和颜色组合特征的区域分割方法。首先，建立了基于颜色、空间坐标和纹理特征的组合特征向量。为提高k-means算法效率，对特征向量进行降维、并设计了按比例随机采样的策略。然后，用k-means算法对样本中的像素点进行聚类，根据各类别间的相对差距找出聚类中心，再将各点与聚类中心进行比较而实现归类。通过实验显示，该方法对植物切片图像的特征区域分割具有良好的效果。