利用图像的像素或低层特征构建的图表示能够描述图像或其中物体的结构信息，对这种图进行分析能够挖掘图像数据的结构特征，该特征具有抗旋转、尺度缩放和平移等优良的性质，可以用来识别图像或图像中的物体。近年来，基于图的图像建模方法及其应用受到了广泛的关注。　　 本文围绕基于图的图像建模问题进行展开，在基于属性关联图的基础上，提出新的图像去噪和图像检索方法，并对图表示的图像聚类问题进行了研究，提出更逼近全局解的聚类方法。具体工作如下:　　 (1)针对图像的椒盐噪声问题，提出了基于属性关联图和有序加权平均(OWA)算子的图像去噪算法。依据图像噪声的特点，首先利用属性关联图对图像进行表示，图像像素对应图的节点，边的属性表示像素与相邻像素的差异度。根据噪声像素与周围像素差异性大的特点，将噪声检测问题转化为搜索属性关联图中具有最小点强度的节点问题，然后采用OWA算子对噪声点周围像素的值进行加权集成以滤除噪声点。算法采取噪声检测和滤除交替进行的方式，实验结果表明此方法不仅能有效地滤除噪声像素，而且能保持图像的细节。　　 (2)为了更有效地进行图像检索，将图像的高层结构特征和低层属性特征相结合，提出了基于属性关联图的图像表示和相似性度量方法。在区域邻接图的基础上提出图像的属性关联图模型，利用图像区域的多种特征作为节点属性，并综合颜色差异和节点的距离对边进行合理赋权，实现了图像的属性关联图建模。提取图中点强度最大的若干节点及其边生成属性关联子图，该子图包含了图像的显著区域信息。定义两幅图像的属性关联子图的匹配矩阵，并运用基于谱方法的图匹配方法得到图节点的对应关系，在此基础上，利用广义有序加权平均(GOWA)算子得到两幅图像间的相似度。在不同的图像数据库中进行了实验，实验验证了该方法的有效性。　　 (3)为了有效的结合图像的结构特征进行图像聚类，一方面将图像用属性关联图表示，在此基础上提取图像的高维特征向量，该向量包含图像的低层视觉特征和图的谱特征。另一方面，为了避免K-means和EM因初始点选择不当而陷入局部最小，提出了两种不同的K-means和EM初始化方法。第一种是基于密度峰值和最小生成树的K-means和EM算法。该算法首先利用主成分分析将高维向量映射到PCA子空间，接着在PCA子空间内进行核密度估计，利用最小生成树和图连通分量算法找出数据点的密度峰值位置和团结构，根据数据点的类标签求解原始高维空间中各个类的中心点，最后以这些中心点来初始化K-means和EM算法。实验证明该方法能在较短的时间内比同类的方法更逼近K-means和EM的全局解。另一种方法是基于PCA随机搜索的K-means聚类。该方法首先在PCA子空间内随机初始化K-means聚类，再利用得到的类标签确定原始高维空间的中心点，最后在原始高维空间以这些中心点来初始化K-means聚类。实验验证了该方法需要较多的时间，但是能给出更优的解。