随着信息技术的发展,大数据时代已然到来.在数据挖掘领域,聚类技术是进行数据分析的有效手段.聚类分析是多元统计分析和无监督机器学习的重要分支,在各个领域都有十分广泛的应用.在一些较为复杂的聚类问题上,谱聚类（Spectral Clustering,简称SC）算法的性能更为良好,其本质是利用图论原理进行图像分割,它的具体实现方法是通过求解数据集中相似度矩阵的特征值对应的特征向量对数据集中的点进行划分,该算法将原本的数据聚类问题转化成图像分割问题,通过对图像进行最优划分来实现聚类的目的.图像分割是处理图像数据的关键步骤,对后续图像处理过程起着重要的作用,因此提高图像分割的性能至关重要.现如今关于图像分割的算法研究在学术界引发了较为广泛的关注,在图像分割的过程中存在计算量大且计算程度较为复杂的问题,采用谱聚类传统算法进行图像分割时,由于算法存在一定的局限性,有时会严重影响图像分割的性能,通过研究发现,引入超像素及其相关算法对图像预处理可以有效提高分割的性能.本文介绍了基于超像素的简单线性迭代聚类（Simple Linear Iterative Clustering SLIC）算法,简称SLIC算法,在这一理论背景下,提出了基于SLIC算法的强参数自适应谱聚类算法,通过图像分割实例来实现算法并展开相关研究.本文首先介绍了谱聚类算法的研究现状及基本原理,在谱聚类算法的背景基础上,引入谱聚类中经典的传统算法—Ncut算法,进一步介绍了Ncut算法的基本原理、划分准则及其算法步骤,并利用该算法实现图像分割;然后,为解决传统Ncut算法在图像分割时存在的计算复杂度高等问题,引入SLIC算法并利用该算法对图像进行像素预处理;最后,针对谱聚类传统Ncut算法中的相似度函数提出改进措施,通过引入强参数提高了聚类的效果,同时给出自适应参数的定义,使得函数中参数值不再需要人工设定,而是由算法设定,极大提高了谱聚类算法的性能,将基于超像素的SLIC算法与改进后的Ncut算法相结合,提出基于SLIC算法的强参数自适应谱聚类算法,通过图像分割实例和相应的实验评价准则验证了算法的有效性和可行性.本文创新点在于,提出一种改进的强参数自适应谱聚类算法,提高了算法的性能,在充分考虑图像的颜色、空间距离等特征信息的前提下,通过运行基于SLIC算法的强参数自适应谱聚类算法实现图像分割,且图像分割效果显著.