聚类在图像分割领域有着重要且广泛的应用。基于聚类的图像分割就是根据灰度、颜色、纹理等特征把图像划分成若干个特定的、具有特殊涵义的不同区域的过程。多目标进化聚类图像分割是一类将多目标进化优化与聚类方法相结合的图像分割方法,其可以有效地缓解传统聚类算法对初始聚类中心敏感、容易陷入局部最优以及聚类准则单一的问题。然而,在解决复杂图像分割问题的过程中,传统的多目标进化聚类算法通常直接搜索问题的完整Pareto前沿,该过程往往难度较大,算法收敛缓慢。此外,多目标进化聚类图像分割算法涉及大量昂贵的目标函数计算,导致算法的计算成本较高。为了解决上述问题,本文基于Knee点可以聚焦于Pareto前沿上的偏好区域这一优势,将Knee点与代理模型相结合,设计Knee点驱动的代理辅助多目标进化框架以高效搜索聚类中心,并充分利用图像信息设计聚类准则函数以提高算法的噪声鲁棒性,提出了三种Knee点驱动的代理辅助多目标进化模糊聚类图像分割算法。本文的主要研究工作概括如下:1)提出了一种Knee点驱动的Kriging代理辅助的多目标进化鲁棒模糊聚类图像分割算法。该算法采用从图像中获取的非局部空间信息设计了融合Kullback-Leibler（KL）散度空间约束项的像素级目标函数,利用图像边缘信息设计了区域级目标函数,并进一步利用图像边缘信息实现了空间约束项权重的自适应,从而降低了参数量、减轻了用户负担。然后,设计了Knee点驱动的多目标进化框架以同时优化上述目标函数,其中,采用Kriging代理模型预测目标函数值从而降低计算成本,并设计了动态子空间Knee点搜索策略、Knee点驱动的环境选择策略与Knee点驱动的Kriging模型管理机制以提升算法整体性能。最后,利用图像的非局部空间信息构造了一个模糊聚类有效性指标,用于从非支配解集中选择最优解。DTLZ测试问题上的实验结果验证了本文提出的Knee点驱动的Kriging代理辅助的多目标进化算法的有效性,Brain Web、IBSR脑部核磁共振图像与Berkeley自然图像上的分割结果验证了算法良好的分割精度与噪声鲁棒性。2)提出了一种Knee点驱动的代理辅助竞争多目标粗糙模糊聚类图像分割算法。该算法利用粗糙集理论改进了融合KL散度空间约束项的模糊紧致性目标函数,并利用粗糙聚类中的边界集信息构造了粗糙模糊可分性函数,从而更好地处理图像中的不确定性,且实现多个角度评估聚类中心的优劣。为了提高聚类性能、减少参数量,该算法为粗糙模糊聚类上、下近似划分的阈值设计了自适应确定机制。然后,构建了Knee点驱动的代理辅助多目标竞争粒子群优化框架以同时优化两个目标函数,从而高效地搜索理想的聚类中心,其中包含一种Knee点驱动的粒子竞争优化器与Knee点驱动的径向基函数（Radial Basis Function,RBF）模型管理机制。最后,采用图像的非局部空间信息构造了一个粗糙模糊聚类有效性指标,用于从非支配解集中选择最优粒子。DTLZ测试问题上的实验结果验证了本文提出的Knee点驱动的代理辅助多目标竞争粒子群优化框架的有效性,Brain Web、IBSR脑部核磁共振图像和Berkeley自然图像上的分割结果表明该算法具有令人满意的噪声鲁棒性与时间效率。3)提出了一种Knee点驱动的代理辅助竞争多目标进化半监督粗糙模糊聚类图像分割算法。首先,该算法同时利用用户提供的少量监督信息与图像的非局部空间信息,构造了基于KL散度的半监督粗糙模糊聚类目标函数。然后,通过将用户提供的少量监督信息转化为优化过程中的监督粒子,设计了一种Knee点驱动的半监督环境选择策略与Knee点驱动的RBF模型半监督管理机制以提升算法性能。最后,定义了一个半监督粗糙模糊聚类有效性指标,用于从非支配解集中选择最优粒子。Brain Web、IBSR脑部核磁共振图像与Berkeley自然图像上的实验结果表明,相较于其它多目标进化聚类算法与半监督聚类算法,该算法不仅分割精度更高,还具有良好的噪声鲁棒性。