图像分割是图像分析过程中的基本任务，许多相关工作都取决于图像分割的质量。在图像储存量成倍上涨的同时，也需要图像处理技术的相应提升。目前，随着模糊聚类算法在图像分割领域中不断研究深入，基于此已经有许多不同的图像分割算法被提出，并取得了较好的效果。但是，由于算法本身的无监督性、参数的不确定性等缺点，使得图像分割的结果与人的主观视觉感知不一致，所以有必要研究新的方法。　　常用的模糊聚类算法中只会对图像色彩特征进行分类，而并没有考虑图像中像素之间的空间邻域信息，这使得分类结果会因图像本身的色彩偏差而受到影响，使算法分类结果中出现类似噪声的零散小区域结果集。为此本文提出了一种结合图像颜色与空间信息的聚类算法。　　本文的主要研究工作及成果包括以下几方面:　　(1)分析了不同彩色空间的基础理论，及其各自的优缺点。对多种彩色空间的特点做出比较。在RGB彩色空间模型中，给出了聚类分割的基本步骤、数学模型。阐述几类常用的聚类算法:谱系聚类方法、基于等价关系的聚类方法、基于图论的聚类方法、基于目标函数的聚类方法。同时给出了聚类算法的有效性评价。　　(2)集中讨论了两种基于目标函数的聚类分割方法，对硬C均值聚类与模糊C均值聚类技术进行了详细阐述，并给出了它们各自的数学模型及具体迭代步骤。详细分析了以上两种聚类算法的优缺点。　　(3)针对一般聚类算法中只会对图像的色彩特征进行分类的问题，提出了一种模型:首先通过基于颜色的聚类分割，然后在结果中选取邻域中不属一类的零散区域，将这些区域的中心点进行空间上的再聚类，最后将结果与初次分割结果进行整合。算法分别利用硬C均值聚类算法与模糊C均值聚类算法作为主体，与同为结合空间信息的模糊面聚类算法比较。在实验中分别从处理时间，迭代次数与正确分类数来进行对比分析，证明了本文提出的算法在自然条件下的彩色图像中，分割结果更符合人工分割结果。