图像分割是图像处理的关键技术之一。图像分割的结果就是将图像分成若干个部分，每部分代表图像中不一样的特征，并把同一部分像素标记为同一个值．图像分割方法主要有基于区域的方法，基于边缘检测的方法，基于聚类分析的方法等。目前，人们更多采用基于聚类分析的方法来进行图像分割。用基于聚类分析的方法分割图像是利用已知的训练样本集在图像的特征空间找到决策分类点、线或面，然后将它们映射回原图像空间，以实现对图像的划分．从而达到图像分割的目的。聚类，是一种重要的数据分析方法，是无监督分割。聚类分析把在某方面具有相同属性的一组模型聚成一类，在现有的聚类图像分割方法中，按照目标函数的数目可以分为单目标聚类图像分割和多目标聚类图像分割，本论文分别针对单目标聚类图像分割的方法和多目标聚类图像分割的方法，提出了基于粒子群优化和空间距离测度聚类的SAR图像分割算法、基于改进多目标粒子群进化聚类的SAR图像分割算法。主要工作有以下三个方面：（1）提出了一种基于粒子群优化和空间距离测度聚类的SAR图像分割算法。该方法是针对传统单目标聚类图像分割算法存在局部错分，区域不一致的问题提出的。该聚类图像分割算法首先通过分水岭变换将图像分割成不规则的互不重叠的区域，产生过分割，将过分割转化为一个聚类优化过程，本方法不仅考虑区域的纹理特征，还考虑了区域的空间特征，保证了图像分割信息的完整性，从而保持了分割后的区域一致性，提高了图像分割的质量。（2）提出了一种改进多目标粒子群优化的聚类算法。在第三章中，首先研究了此聚类方法。该方法是针对单目标聚类算法中存在评价单一和多目标聚类算法中非支配解缺少多样性等问题提出的。该聚类方法在多目标优化的框架下，选取两个互补的目标函数，将分解的框架加入到多目标粒子群中，增加非支配解的多样性，利用支配的概念获取更多的非支配解，并抑制粒子陷入局部最优，获得了更高的聚类正确率。（3）提出了一种基于改进多目标粒子群优化聚类的SAR图像分割算法。在第三章中，在已有改进多目标粒子群优化的聚类算法基础上，针对图像分割问题，提出了一种基于改进多目标优化粒子群优化聚类的SAR图像分割算法。该算法首先对输入的SAR图像进行特征提取和分水岭分割以获得聚类数据，然后在分解和支配原理下进化种群，输出非支配解集，最终根据分解聚合值选择最优解，最优个体所对应的类别标号作为像素的灰度值，得到图像分割结果。解决了现有图像分割技术中评价指标单一、计算复杂度高等缺点。