图像分割就是将图像分成多个在视觉上具有连通性、一致性以及相似性区域的过程。它作为图像分析和模式识别的一个关键步骤,对于目标识别、物体跟踪、人脸检测、图像检索和其他计算机视觉相关应用的实现效果起着非常重要的作用,因而图像分割技术一直是计算机视觉研究领域经久不衰的热门话题,研究者们也提出了许多用于图像分割的算法技术,但截至目前为止仍然没有出现一种适用于所有图像的分割方法。与以往的图像分割算法相比,近几年成为研究热点的基于谱聚类的分割方法,在各种实验和仿真中都表现出了明显的优越性。因此,本文主要是在研究基于谱聚类的分割中最经典的算法——归一化分割的基础上,引入了超像素的概念,并结合超像素的空间和颜色信息,构建改进的相似度矩阵,然后利用归一化分割方法对相似度矩阵进行聚类分割。本文的主要研究内容如下：首先,本文介绍了图像分割的基本概念、研究背景以及图像分割技术的发展现状。其中主要介绍了几种比较重要的图像分割方法,包括基于阈值的图像分割方法、基于边缘的图像分割方法、基于区域的图像分割方法以及基于特定理论的图像分割方法。其次,本文介绍了基于谱聚类的图像分割中的归一化分割算法的相关理论,并介绍了归一化分割算法的求解过程以及实现方法：递归调用二分归一化分割方法和多分归一化分割方法。并在此基础上,通过实验验证参数K和(σI,σX)的选取,对分割结果好坏的影响。另外,本文还介绍了超像素算法中的均值漂移算法,对均值漂移算法的原理和应用进行了分析。并在此基础上,通过实验验证参数(hr,hs,M)的选取,对于图像处理结果的影响。最后,本文提出了基于超像素谱聚类的图像分割方法。在算法的实现过程中,首先利用均值漂移对原始图像进行预处理,得到很多超像素,然后将每一个超像素看作图像中的一个简单像素点,建立无向加权图来描述这些超像素之间的关系,并利用归一化分割方法对其进行分割,得到最终的图像分割结果。在对超像素建立无向加权图时,为了避免归一化分割为了平衡分割而将几个区域划分到一起的不良情况的出现,本文将每个超像素看作具有相同性质的多个像素点,然后建立无向加权图。通过实验,验证了本文提出方法不仅可以改善图像的分割效果,而且还能降低计算的复杂度,适用于实时图像处理。