在当今飞速发展的数据挖掘和探查性数据分析中,聚类分析技术已广泛应用于模式识别、图像处理、生物、心理、计算机视觉和遥感等领域。在实际问题中,已有的各种聚类算法各有其优势,如何降低聚类算法对初始化的敏感度以及如何针对不同的数据集寻找最优聚类,并给出合理的物理解释,成为众多学者正致力于研究并解决的问题。本文针对目前在聚类算法及其应用中的一些热点问题展开了研究与探讨工作,主要的工作分为以下三部分:1)本文研究了基于视觉采样原理的聚类方法,并给出了一种一般化的视觉采样聚类方法VSC。该方法将视觉采样原理与著名的Weber定律结合起来,不仅具有对聚类初始条件不敏感的特点;同时在Weber定律所定义的聚类有效性标准的指导下,该方法所得到的合理的聚类数有着较好的物理解释性。大量的实验结果表明了算法VSC的有效性。2)在深入分析Yang Miin-Shen等人提出的基于相似度量的聚类方法的核心算法SCA的基础上,本文初步讨论了由一种视觉采样函数所定义的算法VSC与算法SCA之间的内在联系,得出了这两个算法具有一定的同解性质,从而揭示了方法VSC能够有效地克服算法SCA中参数γ不易确定之困难。3)颜色作为图像的一种重要视觉信息,广泛应用于基于内容的图像检索。从视觉心理属性来讲,HSI颜色模型较RGB颜色模型更易被接受。鉴于图像信息固有的复杂性和不精确性,本文引入了模糊化的机理对HSI颜色模型的颜色信息进行模糊量化,得到关于颜色特征的模糊直方图,并应用视觉采样聚类方法VSC对其进行聚类和匹配,取得了较为满意的结果。