聚类分析是机器学习的经典问题之一,它通过分析数据特征来获取数据之间的相似度,并根据相似度对数据进行聚类操作,使得类内的对象满足相似度最大,类间的对象满足相似度最小,从而通过聚类结果来发现聚类对象的内在关系。针对聚类分析算法及其应用问题,本文主要做了三方面的工作。聚类结果的好坏取决于聚类准则函数是否能够反应类内数据点的相似程度和类间数据点的相异程度。为了进一步增大基于规范切的谱聚类算法中类内数据点的相似性和类间数据点的相异性,本文提出了一种基于相似性与相异性的谱聚类算法。该方法巧妙设计了新的聚类准则函数,在采用规范切的经典谱聚类算法的基础之上,通过引入距离矩阵来进一步体现数据点间的相异性,使聚类结果得到改善。经典的分层凝聚聚类算法在非凸球形分布数据集上容易陷入局部最优。针对这一不足,本文提出一种基于规范切的分层凝聚聚类算法。该方法直接利用规范切作为判断各个类别是否合并的准则,从而巧妙克服经典算法存在的不足,使得分层凝聚聚类算法在非凸形分布或具有一定流形分布的数据集上能够得到更好的聚类结果。通过研究各种聚类算法在医学图像处理方面的应用,发现现有的二维医学图像分割技术存在不能充分利用图像的第三维信息的问题,而三维图像分割技术中存在计算复杂度较大的问题。为了解决这些问题,本文提出一种基于三维区域分水岭的腹部主要血管提取方法。该方法充分利用了图像的三维信息,并且在一定程度上降低了计算复杂度,能够从复杂的腹部环境中得到较完整的腹部主要血管系统。