图像分割是利用图像的颜色、灰度值、纹理、形状等特征或特征集合的相似性准则,将其分成一些不同且不重叠的区域。图像分割是计算机视觉中的基本而又核心的问题之一,图像本身的复杂因素给分割问题带来了不适定性。以归一化割(Normalized cut,简称NCut)为代表的图聚类、以核K-means(Kernel K-means,简称KKM)为代表的核方法在该问题上获得了成功应用。马尔科夫随机场(Markov Random Field,简称MRF)理论,则是图像数据上最常用的正则化方法之一。本文针对最新提出的两种图/核聚类方法,提出了基于MRF的改进方案及其优化算法。首先,本文将基于隐马尔科夫随机场的半监督归一化割(HMRF-based Semi-supervised Normalized cut,简称 HMRF-SNCut)用于图像分割,融合了对比度敏感的Potts正则化项用以强化边界,提出了基于MRF正则化的新模型。为了优化该模型,我们为HMRF-SNCut构建了上界函数并进行线性逼近,从而能够利用图割技术求解。实验结果表明,相比于原半监督NCut,引入了 Potts项的分割方法在错误率等统计指标上有大幅度提升。然后,本文将在KKM基础上,引入了类似于Potts模型的势函数,用以表达半监督信息。再将半监督KKM与平滑正则化子相结合,提出了新的分割模型。本文利用界优化的思想,基于图割技术迭代地优化新模型。实验结果表明,相比于原半监督SKKM,所得的分割结果在错误率等统计指标以及轮廓贴合性上均有提升。综上所述,本文提出了两种基于半监督图/核聚类的图像分割模型,并给出了基于图割技术的优化算法。本文为图像分割提供了新的方法,也为半监督图核聚类提供了基于图割技术的新优化算法。