计算视觉是借助智能信息处理、模式识别等实现机器自动识别和图像理解的一种跨学科领域技术。该技术已经成为多个领域内的研究和应用热点,这些领域包括:遥感图像处理、工业智能制造(零件缺陷检测)、医疗诊断、自动驾驶以及舆情监控等。图像分割是计算视觉领域内的关键环节之一,通过高质量的分割可以较精确的获取用户感兴趣的内容,进而提高后续对图像语义的精确理解。经过多年的相关研究和发展,图像分割已经形成了多种有效的分割方法,主要包括基于区域的分割技术、基于边缘的分割技术以及基于机器学习的分割等。基于机器学习的图像分割技术已经成为该领域内的主要研究方法。聚类(Clustering)是一种无监督机器学习方法,该技术依赖于所设计的规则实现自动化数据分类。聚类技术已经在诸如:社会学领域、医学领域、计算机视觉领域等得到了广泛应用。开拓聚类新的应用领域亦是机器学习的热门研究方向之一。谱聚类是一种基于图理论的聚类算法,近年来得到了较多的研究和应用。该算法不仅理论依据充分,而且能够较好的克服局部最优,实现对问题的准确求解。谱聚类算法的基本原理是将原始数据投影到一个低维的特征空间中,一方面减少后期计算工作量,提高计算速度,另外,也能够避免对过高维度的数据直接识别产生的奇异性问题,从而准确识别任意形状样本。标杆管理优化(Benchmarking-based optimization,BBO)是一种新颖的群体智能算法,该算法通过模拟公司内部群体向公司内标杆人物的学习,实现对问题最终解的搜索。本论文主要研究基于谱聚类的数字图像分割技术。为了降低图像分割中的计算量,提出了一种图像样本预处理的谱聚类算法,应用k-means++算法将图像首先进行预分割,然后应用谱聚类再次实现聚类。由于谱聚类算法对参数具有较强的敏感性,为了提高对图像的分割质量,提高算法的鲁棒性,设计了多谱聚类集成机制,对不同参数的谱聚类所产生图像分割结果进行有效集成。为了改善最终结果的集成效果,提出了一种反向学习标杆管理优化算法,实现对集成成员间互信息量的最优匹配搜索。最后,通过一系列的实验验证了算法的有效性。