随着科技的快速发展,使得图像的使用日趋广泛。图像数据已能够从图像采集设备、图像数据库或互联网中获取,但是越来越多的图像信息远远超过人们所能接受的能力,从而推动着各种图像处理技术的研究进入高速发展时期。现实中获取的数据之间一般存在着某种关系,根据这些关系可以对各种数据聚类,故对图像数据聚类算法的研究引起许多学者兴趣。图像的高维性使得传统聚类算法不能被很好地使用,因此能够较好处理高维数据聚类的子空间聚类算法被学者重视。本文对图像数据的子空间聚类问题进行研究,主要研究图像的非线性、高维性和结构张量性。主要完成如下工作:1、现有许多子空间聚类算法都是以数据全局线性为前提,对数据进行线性表示。但图像数据往往是一种非线性的高维数据,传统子空间聚类在非线性数据上应用性较差,从而本文提出局部稀疏子空间聚类和局部最小二乘子空间聚类算法,统称为局部子空间聚类算法。局部子空间聚类算法针对图像数据非线性的特点,借鉴流形学习局部线性的思想,将k近邻线性表示技术分别与稀疏子空间聚类和最小二乘子空间聚类算法结合。局部稀疏子空间聚类可以对近邻点进行自动调整。实验结果表明,该算法对于图像数据的聚类效果明显提高。2、传统聚类算法和子空间聚类不适用二维图像数据,只能应用在向量化的数据中。但是向量化破坏数据原始的内部结构,即破坏结构张量性,导致信息损失,影响聚类的效果;而且保持图像张量形式还可以避免向量化后造成数据高维性,因此本文针对最小二乘子空间聚类不能直接应用二维图像数据,提出二维最小二乘子空间聚类算法。其思想主要是对二维图像的每个像素点进行线性表示,尽可能保持信息的完整性,实验结果表明该算法可以直接应用在二维图像数据上,并取得稳定的聚类效果。3、二维最小二乘子空间聚类也只适用在二维图像数据上,对更高维的张量数据不适用。因此,从样本点空间分布和图像结构张量性的角度,本文提出张量最小二乘子空间聚类,使得图像数据不仅能保持原有的数据信息,还能加强图像数据之间的相关性,提供有力的聚类信息。实验结果表明该算法优于其他聚类算法,说明样本点之间的相关性对聚类效果的影响较大。