在自然科学和社会科学中,存在很多划分问题。随着科技的发展,人们对划分的要求也在不断提升。仅凭经验和专业知识难以准确划分,而划分问题最主要的研究分支是聚类算法。它是把相近的样本归为一类,将差别大的元素划分在不同类。本文研究了各种经典的聚类算法,其中基于密度的带噪声应用空间聚类（Density-Based Spatial Clustering of Applications with Noise,DBSCAN）和近邻传播聚类（Affinity Propagation Clustering,AP）是重点研究的内容。由于聚类算法简单、高效,它在图像分割中得到广泛应用。本文将改进后的AP算法应用到纹理图分割中,得到了较好的分割结果。具体研究内容如下:（1）针对DBSCAN聚类算法对邻域半径参数值依赖性强的弊端,提出拓扑相似性的DBSCAN聚类算法（TS-DBSCAN）。TS-DBSCAN算法在DBSCAN算法基础上,建立两个函数:Cluster函数和Combine函数。Cluster函数的操作包括三步:首先,通过数据的平均距离权重获得数据集的聚类中心;其次,采用拓扑相似度获取每个聚类中心所对应的参数值;最后,借助获取的聚类中心和参数值对数据集进行初步聚类得到多个小簇。Combine函数用密度可达和密度相连将小簇合并,得到最终的聚类结果。仿真实验得出,相比于其他聚类算法,TS-DBSCAN算法的归一化和准确率的平均值分别提升了6%和8%。（2）针对AP算法不能识别非凸数据、对偏向参数Preference值依赖性强的缺点,提出了基于万有引力的自适应近邻传播聚类算法（GA-AP）。该算法在传统AP算法的基础上,采用万有引力计算数据间的相似性（引力）,并利用信息熵和自适应增强（Ada Boost）算法获得每个集群中的正确集群采样点和错误集群采样点的权重,从而降低算法对参数Preference的依赖,并减少错分样本点的数量。仿真实验得出,相比于其他聚类算法,GA-AP算法的归一化和准确率的平均值均提高了6%。（3）将GA-AP算法应用于纹理图像分割中。实现过程包括图像预处理、特征提取及聚类三个阶段。采用人造图像和Brodatz纹理图像进行对比实验表明,与其他传统算法相比,GA-AP算法分割的准确率较高。