随着科学技术的不断发展和进步,在最近十几年的时间里,计算机视觉和模式识别受到了更加广泛的关注,该学科的理论日臻完善,并且成功地应用到越来越多的领域。聚类分析是计算机视觉和模式识别领域的一项关键技术,由于传统的聚类算法收敛于局部最优解,进而引进谱聚类算法,它对样本空间的分布没有限制并且可以收敛全局最优解,也可以取得很好的图像分割效果。尽管谱聚类算法在很多领域都表现出了良好的性能,但谱聚类算法在数据集较大时,空间复杂度会很高,在提取特征向量、构造相似性矩阵等方面仍然还存在很多问题。本论文对基于区间模糊理论的谱聚类图像分割算法进行研究,首先通过构造图像的彩色直方图以获取更多的图像特征信息,然后引入区间模糊理论得到图像的区间模糊隶属度,再利用该隶属度构造基于彩色的区间模糊相似性测度并根据区间模糊相似性度量所生产的相似性矩阵通过归一化切割准则对图像进行分组。最后,将不同的最优模糊因子组合得到的结果整合起来得到最终结果。本文的主要工作包括以下三个方面:(1)阐述选择本课题的研究意义和目的以及本论文所做的工作。随后,引入区间模糊理论和谱聚类算法,说明了聚类过程并解决了传统聚类算法收敛局部最优解的问题。对图像分割和图像模型进行阐述和了解,简述了区间模糊谱聚类算法应用到图像分割领域的必要性。(2)谱聚类算法中相似性矩阵的构造是一个关键问题。本文通过引入图像的彩色直方图和区间模糊理论,提出了基于彩色直方图的区间模糊谱聚类图像分割方法。该方法利用模糊理论构造相似性测度,再利用区间模糊相似性度量所生产的相似性矩阵通过归一化切割准则分割图像得到最终的结果。由于引入彩色直方图和模糊理论,提高了传统谱聚类算法的分割性能。(3)有效性评价指标可以得到更精确的分割结果。通过聚类评价指标得到基于区间模糊聚类的有效性指标,通过有效性指标评价模糊因子组合,进而获得一组最优的模糊因子,每对最优的模糊因子组合可以通过构造相似性矩阵得到聚类结果,最后将不同的结果通过聚类集成算法整合起来,提出了基于区间模糊理论的谱聚类集成图像分割算法,该算法相比其它传统谱聚类算法提高了分割结果,对比试验也表明了该算法在计算复杂度和分割效果上有了很大的改善。