图像聚类是近年来机器视觉和图像处理领域关注的热点,如何快速准确地获取图像数据提取有效信息引起了广泛的研究。随着计算机技术的快速发展,图像只有转化成有用的信息才能发挥更大的价值。然而,现实应用中的图像数据具有数量庞大、包含混合噪声且结构复杂的特点。现有的聚类算法不能很好地处理日益增长的高维图像,用于复杂结构数据的聚类算法也存在一定的缺陷。针对不同的图像数据结构和类型,设计出准确率高、运行速度快的聚类算法是当前机器视觉研究领域中一项重要的目标和课题。受益于线性表示和低秩约束等理论优势,低秩表示和稀疏表示模型在子空间聚类中的应用获得了令人满意的效果。然而,对输入特征的一致性考虑和对约束函数的次优逼近等缺陷极大降低了低秩表示聚类算法的性能。针对当前研究存在的问题,本文对子空间学习过程提出两种数据表示性能提升策略:一、将特征评估机制融入样本表示误差,不同于传统低秩结构挖掘将所有输入特征一并纳入计算,该机制同时评估不同特征对表示能力的贡献度,有利于揭示更为准确的数据关联关系。二、采用参数化的非凸函数替代传统的核范数实施低秩约束,更为有效地逼近本真秩函数。对正则项参数的选择范围进行深入分析,保证目标函数的整体凸性,为全局最优解的获取提供理论基础。本文首先利用特征评估机制进行特征优选,使用数据自表示方法构建系数矩阵,采用参数化的非凸函数对系数矩阵进行低秩约束,因此提出一种低秩表示和特征评估联合的子空间聚类算法。使用交替乘子优化算法更新目标变量,在人工合成数据和经典数据集上的实验验证了算法具有较好的性能。为有效地解决实际应用中数据包含复杂噪声分布的问题,采用加权矩阵约束噪声误差项,在迭代过程中自适应分配加权因子,更加准确挖掘复杂噪声分布下的表示矩阵,进而提出一种非凸正则迭代重构低秩表示子空间聚类算法。使用加速近端梯度算法优化求解,并证明了目标函数在迭代过程中逐渐收敛。实验验证了该算法在复杂噪声分布下具有优秀的聚类精度和运行效率。