随着互联网技术的高速发展,人们在生活和工作过程中会产生数以千计的图像数据,面对复杂的图像数据如何处理成为了一个难题。图像聚类方法能将样本数据根据不同的特征划分到不同的簇中,使相同簇之间相似性尽可能大,不同簇之间相似性尽可能小。近年来,如何正确对图像聚类进行划分,吸引了研究者的关注,许多聚类方法被提出。而非负矩阵分解由于分解后的基矩阵和系数矩阵中所有元素都是非负的,这一特性很好的满足了现实中整体由部分组成的特点,被广泛应用于图像聚类方法之中。本文在非负矩阵分解的研究基础之上,为进一步提高图像聚类性能,提出了以下三种聚类方法,其主要工作和创新点如下:首先,提出一种自适应图正则化非负矩阵分解方法。数据的局部结构信息比全局结构信息更有利于图像分类和聚类,传统的基于流形学习的非负矩阵分解聚类方法通常是通过k近邻图来捕获数据的局部结构信息。然而,这种依赖于原数据得到的近邻图不是最优的,进而影响后续的聚类性能。为了解决上述问题,所提方法把非负矩阵分解和图构造交替迭代进行,自适应地构造权重矩阵,更好地保持了数据局部流形结构信息,在图像聚类实验中取得了不错的聚类性能。其次,提出一种自适应图正则化判别非负矩阵分解方法。为了充分利用数据的类别标签信息,所提方法在上面所提方法的基础上引入数据标签信息作为约束项,将非负矩阵分解扩展为半监督学习方法,确保具有相同标签的不同样本在降维后的新空间中离得更近且不会合并为同一点,具有更好的可表示性。大量的实验表明,本方法在图像聚类中优于其他经典方法的聚类性能。第三,提出了一种保持投影非负矩阵分解方法。非负矩阵分解直接对原始数据进行分解,而原始数据往往包含大量的冗余信息和噪声数据,降低了聚类性能。所提方法首先将非负矩阵分解与主成分分析相结合,在矩阵分解的同时进行数据降维,降低了噪声的影响。其次,为了进一步提高聚类的准确性,所提方法引入流形正则化项以保持数据的局部几何结构信息。实验结果表明了所提方法的有效性。