图像聚类是将数据划分成若干簇,并使得簇内数据彼此相似,而簇间数据不相似的过程.非负矩阵分解（Non-negative Matrix Factorization,NMF）作为一种有效的降维方法,可以很好的挖掘数据的潜在结构特征,降低数据维数.因为NMF有较强的可解释性,使其成为处理聚类任务的一种有效算法.但是,传统的NMF还是存在一些不足,特别是对于复杂的高维数据,我们要求能够保留原始数据的结构信息,这使得其收敛速度和聚类精度有待进一步提升.此外,NMF本质上是一种降维技术不能直接用于聚类.模糊C-均值算法（fuzzy C-means,FCM）是一种非常经典的聚类算法,然而,FCM对复杂结构的高维度数据、初始值和噪声的敏感性都导致其聚类效果下降.基于NMF和FCM,本文提出了三种新的图像聚类算法.第一,针对传统FCM算法在处理复杂结构的高维数据集时会产生大规模计算量,从而导致聚类效果下降的问题,提出了一种新的聚类算法--基于非负矩阵分解的修正模糊聚类算法（MFCM-NMF）,该算法是利用了非负矩阵分解进行降维,提取数据的本质特征,保留作为模糊聚类的聚类中心,将NMF与MSFCM相结合提出了新的目标函数并采用交替迭代算法进行求解,且在迭代过程中基于三角不等式过滤出在下一次迭代中不改变其最近聚类中心的那些样本,采用新的隶属度更新公式,减少计算量,提高聚类性能.第二,一般的FCM的初始值为随机赋值,对FCM的聚类效果有很大的影响.为此,我们提出了基于局部约束非负矩阵分解的修正模糊聚类算法（MFCM-LCNMF）,该方法是利用非负矩阵分解将数据的维度降低得到数据的低维表示,并利用数据的低维表示作为FCM的原始数据,降低初始值的影响.但是非负矩阵分解也无可避免地会损失一些信息,为了更好地保存局部几何结构,将局部线性约束加入目标函数中.第三,FCM对于噪声的敏感性不可避免地导致了聚类效果的下降,为了提升聚类效果,将具有噪声残差估计的L2,1NMF与改进的FCM相结合,利用L2,1 NMF的鲁棒性和噪声约束项,削弱了噪声对数据聚类的影响.此外,由于L2,1 NMF的低维表示是连接L2,1 NMF和FCM的枢纽,为了获得更精确的低维表示,我们利用新的度量构造了一个新的局部约束项.基于此,提出了通过L2,1 NMF和局部约束进行鲁棒去噪FCM聚类(RFCM-L2,1 NMF).对于上述的三种方法,通过求解其优化模型给出了迭代更新公式,并通过实验验证了这些方法的有效性,提高聚类效果.