近年来,数字图像处理技术飞速发展,与人们的生活也更加息息相关。所谓图像处理是对数字图像进行去噪、增强、复原、分割、提取特征等处理的方法和技术的统称。现如今,无论是在生产、生活还是在医疗、军事、航天等领域都显现出了它的优势,它为提取数字图像中的重要信息起到关键作用。图像分割技术通常是对图像像素的区域划分,并分割出需要的感兴趣区域,是图像识别和计算机视觉至关重要的预处理技术。随着图像分割技术的日益成熟与方法创新,其在不同的应用领域均得到了体现,包括人脸识别,目标检测和医学图像处理等。目前的图像分割技术方法有很多,基于聚类的图像分割算法只是其中的一种方法。对于基于该方法的图像分割算法,影响分割效果的主要原因包括以下几点:一、聚类算法的聚类效果;二、数字图像预处理以及特征表达方式。对于上面提到的这两点主要影响因素,本文提出了一种基于深度游走与密度峰值聚类结合的图像分割方法。本文提出了一种基于密度聚类的图像分割方法,通过对数据内在拓扑关系的特征表达,巧妙地将数据点拓扑特征这一概念引入,与当前热门的密度峰值聚类算法相结合,改善了传统图像分割中阈值选择敏感,特征值维度较低的问题。在提出的新聚类方法基础上,结合超像素与Lab颜色空间特征表达,将聚类方法延伸到CT图像分割领域。本文又在此基础上,将图像分割结果与临床剂量预测结合,实现了基于深度学习的乳腺癌放射剂量预测的研究。具体工作如下:(1)结合深度游走算法与密度峰值聚类算法,对聚类算法进行了改进。(2)基于超像素提取图像的颜色特征(在超像素基础上将不规则色块映射为聚类算法中的样本点)。(3)使用乳腺癌CT图像进行分割实验,验证算法效果准确性。(4)使用分割图像结合深度学习实现乳腺癌放射治疗的剂量预测。本文工作的创新点:(1)将密度峰值聚类算法与拓扑结构结合,提出了一种新的聚类算法。并将该算法应用到CT图像的分割中。(2)在乳腺癌CT图像分割的基础上,通过结合射野角度与Pix2pix网络结合,预测放疗剂量,帮助物理师提高计划质量的同时减短工作周期。