聚类技术作为一种有效的模式识别方式被广泛运用于社会生活的众多领域,并且随着新技术和新思路的不断涌现,聚类的手段越来越多样,聚类效果有了进一步提升的空间。在此背景下,我们利用对优化问题具有良好表现的演化算法,研究了聚类问题及其在图像分割中的应用,主要内容包括以下两部分:(1)针对聚类数不确定的聚类问题,本文提出了一个新的多目标差分演化聚类算法。聚类数的确定在聚类分析中是一个基本却具有挑战性的问题。一方面,最佳聚类数根据不同的评价标准、用户偏好或需求可能不一致,因此将不同聚类数的聚类结果呈现给用户作参考具有一定的意义。另一方面,增加聚类数虽会使聚类结果更加紧凑,却会削弱不同的类之间的分离性,所以选择合适的聚类数是一个在最小化聚类数与最大化类的紧凑性或分离性之间取得平衡的多目标优化问题。于是,本文直接将聚类数作为一个优化目标与另一个聚类有效性指标同时进行优化,通过所提算法得到一个Pareto解集,集合中含有多个不同聚类数的近似最优聚类结果。用户可以灵活地通过从解集中挑选出最合适的聚类解作为问题的最终划分结果。在多个数据集上的对比实验验证了所提算法的可行性和有效性。(2)用模糊聚类算法对噪声图像进行分割时,算法性能易受到噪声、成像伪影等的干扰。另外,在模糊聚类中如何控制好类簇的模糊水平是一个非常关键的问题,不同的模糊水平会产生不同重叠程度的类簇。为此,本文提出了一种自适应模糊水平的多目标演化模糊聚类方法。算法通过多目标演化框架同时优化隶属度熵和模糊紧凑性两个目标函数,使其在无需人为设定模糊水平的情况下一次性得到多个不同模糊水平下的聚类解。此外,算法通过将一些控制参数编码进染色体,自适应演化出合适的参数值。这些控制参数平衡着算法对噪声的鲁棒性及保留图像细节的有效性。在多幅模拟图像和真实图像上的对比试验证明了所提算法对图像分割效果的提升效果及对噪声的稳定性。