谱聚类算法近几年已经成为当前最流行的聚类算法之一。通常谱聚类算法的性能取决于是否选择了合适的尺度参数。然而,在实际中为谱聚类算法选取一个合适的尺度参数是一个非常有挑战性的问题。为此,本文提出了一种自适应谱聚类算法(ASC),试图解决谱聚类中的参数选取问题。在此基础上,将该方法扩展到半监督领域,提出了一种半监督自适应谱聚类算法(Semi-ASC)和半监督谱聚类集成算法。最后,将上述算法应用到图像分割领域并取得了较好的分割效果。本文的主要工作和创新点如下:1)在传统谱聚类算法的基础上引入类似核选取的技巧,提出了一个能自动选取尺度参数的自适应谱聚类算法ASC。在人工和UCI数据集上对ASC算法和现有的谱聚类参数选择算法作了比较,实验结果表明了所提算法的有效性。2)将半监督的思想引入到自适应谱聚类算法中,提出了一种半监督自适应谱聚类算法Semi-ASC。进一步,为提高对成对约束监督信息的利用程度,通过对约束集进行重采样,提出一种半监督谱聚类集成算法。在人工数据集和UCI数据集上的实验表明了算法的有效性。3)将上述谱聚类算法应用到图像分割,首先采用直方图聚类来解决像素过多引起的计算开销,其次针对图像分割应用将相似性度量做了一些修改,使其能够取得较理想的分割效果。在Berkeley Segmentation Dataset上的实验表明了算法的有效性。