图像分割是计算机视觉中的基本任务之一,它是对图像进行分析理解的前提。图像分割效果容易受到噪声,光照和背景等各种因素的影响。因此,很难提出一种通用的算法来实现图像分割。聚类算法已被广泛应用于图像分割,其中,密度峰值聚类算法（DPC）简单高效,是常用的图像分割算法之一。由于DPC及其改进算法不是专门为图像分割设计,分割结果不一定能同时满足主观感觉和客观指标。针对上述问题,本文提出了基于相对扩展密度峰值聚类的图像分割算法,该算法可以自动确定聚类数量,使图像分割结果更符合主观标准。本文在目前研究工作的基础上,主要进行了以下工作:（1）提出基于超像素的图像预处理方法,该方法基于以下出发点:传统的图像聚类大多是基于像素点,存在处理数量大和计算成本高的问题。我们首先对图像采用简单线性迭代聚类算法（SLIC）将图像分割为超像素,然后,采用含有颜色和纹理信息的特征向量表示超像素,从而解决了计算成本高的问题。（2）提出了一种新的数据点的密度定义方法。该算法出于以下出发点:DPC及其改进算法的性能易受到截断距离的影响,对于存在密度差异的数据集,倾向于选择高密度簇中的点作为聚类中心。为解决该问题,本文首先定义了由数据点及其K近邻点构成的迷你簇和数据点的相对局部密度。为进一步细分数据点,本文通过比较迷你簇与其相邻的迷你簇的紧密度,从而获得数据点的相对扩展密度,该定义可以使聚类中心的分布不受簇密度的影响。（3）提出了一种基于图像特征的聚类中心选择算法。根据决策图上确定的聚类中心不一定与人眼视觉感知相一致。另外,决策图上聚类中心和其他数据点之间的界限不明显,很难通过决策图确定聚类中心的数目。为解决该问题,本文首先将Sigmoid函数应用于密度小但相对距离大的数据点,从而进一步调整这些数据点的相对距离,使得聚类中心的分布与图像特征相匹配。接着,本文利用图像点的评价函数与K值之间的变化规律自适应地确定聚类中心的数量。最后,对聚类中心进行再判定,合并特征距离相近的聚类中心。（4）在合成彩色图像、真实图像数据集BSDS500和白血病公共图像数据集ALL-IDB2上,将本文和8种聚类算法进行对比实验,引入多种评价指标对不同聚类算法的性能进行比较。实验表明,本文的算法在多个数据集上都具有良好的分割结果,并且性能表现优于其他聚类算法。