图像分割是图像分析和模式识别的重要问题，这在很大程度上决定着图像判别分析的结果，因此，为了更好的分析图像，图像分割也就显得愈来愈重要。而近年来出现的半监督学习，能够充分挖掘和利用图像的先验信息来使图像的分割结果更加高效、准确，因而已经成为机器学习的一个研究热点。半监督学习就是同时利用标记样本和无标记样本来指导学习过程，从而获得更好的学习性能。其中的半监督学习大致可以分为两类，即半监督分类和半监督聚类。半监督聚类就是利用少量的标记样本对无标记样本的聚类过程进行指导。本论文以图像分割为应用背景，对半监督聚类算法进行了研究。本论文的创新性工作总结如下：(1)提出了一种基于约束对的半监督核K均值聚类的图像分割算法，该算法首先利用随机产生的Must-link约束对来初始化中心，从而避免了算法陷入局部最优的缺点，进一步结合核K均值聚类的思想，使得那些在低维空间中线性不可分的样本在高维空间中变得线性可分，因而使该算法能对图像进行快速准确的分割。实验结果表明，该分割方法相比COP-Kmeans算法和ConstraintSelector算法能获得较好的分割结果，同时视觉效果也得到了一定程度的改善。(2)提出了一种基于种子集的半监督权重核模糊C均值聚类的图像分割算法，该算法基于半监督核模糊C均值聚类算法的思想，在初始化步骤中，利用样本间的方差来初始化核参数，避免了手动调整的不合适核参数对算法聚类性能的影响，同时采用了点密度权重的思想，使得那些团状、每类样本数相差较大的数据集能得到正确的划分，从而获得准确的图像分割结果。最后，在人工合成纹理图像和模拟SAR图像分割实验中，都验证了该算法要优于三个对比算法。(3)提出了一种基于种子集的半监督改进模糊局部信息C均值聚类的图像分割算法，该算法基于改进的模糊局部信息C均值聚类算法的框架，引入了半监督聚类的思想，利用标记样本来初始化聚类中心，同时使用硬化分的方法来初始化标记样本的隶属度矩阵，避免了原始算法随机初始化聚类中心易使算法陷入局部最优的缺点，从而使得聚类时间大大减少，算法性能得到改善。最后，在人工合成纹理图像、模拟SAR图像和自然图像分割实验中，都验证了该算法要优于两个经典的对比算法。本文工作得到了国家自然科学基金(No.61303032)、中央高校基本科研业务费资助项目(No. K5051302065)和西安电子科技大学基本科研业务费资助项目（BDY121427）的资助。