伴随着遥感技术的飞速发展,遥感图像已为许多研究工作奠定了坚实基础。但遥感图像中存在数据量大,具有复杂、多光谱和多层次等特点,使得遥感图像分割一直都是遥感图像处理的重点研究方向。虽然现有的图像分割研究已经广泛且成熟,但在实际应用于遥感图像时均受到不同程度的局限。为了精准化分割遥感图像,本文以密度峰值聚类（Density Peaks Clustering,DPC）算法为基础,利用樽海鞘群算法（Salp Swarm Algorithm,SSA）的特点,优化聚类算法,围绕提高DPC算法在遥感图像分割中的性能展开研究,具体内容如下:（1）针对SSA算法收敛速度慢和求解精度差的问题,本文提出改进樽海鞘群构造和搜索策略。首先,引入余弦函数提出多领导策略,在搜索过程中自适应调节樽海鞘群中领导者和追随者的数量,提高樽海鞘种群的多样性,为准确寻找全局最优值奠定基础;其次,在领导者位置更新中引入切比雪夫映射函数,增强领导者樽海鞘移动过程中的遍历性,增强全局搜索能力;最后,在追随者位置更新中引入线性递减惯性权重,减少追随者对前一个樽海鞘位置的依赖,提高算法的局部搜索能力。实验将4个单峰函数和4个多峰函数作为测试函数,并与其他5种群体优化算法相比较。结果表明,改进算法求解精度更高,收敛速度更快,稳定性更强。（2）为解决DPC算法人工选取参数和聚类中心困难问题,本文将DPC算法和改进的SSA算法相结合。首先,计算归一化局部密度和相对距离的乘积,自适应地选取聚类中心,避免人工选取的主观性;其次,在信息熵中引入密度测度,以提出密度估计信息熵,并以此建立适应度函数;最后,利用改进SSA算法求解适应度函数的最优值,得到最优截断距离。为验证算法的有效性,实验选择4个常用人工合成数据集。结果表明,与传统密度聚类算法相比,提出算法聚类效果更好,精度更高。（3）为解决DPC算法在遥感图像分割应用中数据维数灾难问题,引入超像素分割算法。首先对遥感图像进行超像素分割,得到基于位置和颜色的5维特征,然后对所有超像素块的5维特征进行DPC算法聚类,对同质区域进行合并,最终实现遥感图像分割。实验在遥感数据集上选择4个不同场景图像以及Worldview2和Quickbird大尺度遥感图像作为研究区域,并与其他3种算法相比较。结果表明,提出算法的分割结果更准确,适用性较好。该论文有图34幅,表9个,参考文献82篇。