在计算机视觉中，数据聚类问题作为各种实际应用的研究基础，无论是在图像处理领域的图像分割、图像检索的特征聚类阶段，还是在模式识别领域的目标追踪、人脸识别处理过程中，都起着至关重要的作用。聚类结果的好坏，直接影响整个实验过程是否能够顺利进行。作为广泛应用的非参数聚类方法，Mean Shift首先被推广到黎曼流形的李群空间中，随后，又实现了Mean Shift在非李群的黎曼流形空间中的应用，自此，Mean Shift在各种特定流形中的应用逐渐发展起来，受到了研究人员的重视。为了探寻更一般的算法形式，2006年，Raghav提出了非线性Mean Shift的概念，并给出了黎曼流形上Mean Shift算法的通用迭代形式。在讨论了算法的理论性质的同时，证明了算法的收敛性。全文工作概括起来，主要包括以下三个方面：首先，在传统Mean Shift算法的理论基础上，针对其在数据聚类分析和图像分割中的应用，分析说明了不同核函数、核半径和阈值的选择对聚类分析和图像分割结果的影响。通过仿真实验，验证了在相同的核半径（或核带宽）及阈值的情况下，使用不同的核函数，聚类分析和图像分割的结果是不相同的。在使用同一核函数并设定相同阈值的情况下，核半径（或核带宽）的大小也会影响Mean Shift聚类分析和图像分割的效果。当核函数和核半径（或核带宽）相同时，对比分析不同合并阈值下图像分割结果的差异。其次，在计算机视觉研究中，通常会遇到复杂参数空间变量的聚类问题。此时，参数变量分布在流形空间中，而不是欧氏空间。为了解决实际应用中流形空间中变量的处理问题，通过查找文献，综述了常用的流形空间，李群、Grassmann流形、本质流形的概念和相关性质。最后，针对传统Mean Shift只能处理欧氏空间数据的局限性，介绍了黎曼流形上的非线性Mean Shift算法。在此基础上，补充证明了该改进算法的收敛性，提出了迭代点列的收敛条件，为算法的推广和应用提供理论保证。