图像分割是将图像分成互不重叠的、具有特定意义的若干区域的过程。图像分割是对图像数据进行分析理解的关键环节,在计算机视觉和目标识别等领域得到了广泛的应用。基于“高维数据本质上往往属于几个低维子空间的并”这一事实,子空间聚类方法结合高维数据的子空间表示和谱聚类将高维数据分割到其所属的子空间。图像分割问题可以看成是对图像特征数据的聚类问题,因此子空间聚类为基于特征的图像分割提供了一种自然的方法。近年来子空间聚类方法在计算机视觉和机器学习领域得到了广泛的应用,但在图像分割中的应用还处于初步尝试阶段。本论文研究基于稀疏子空间聚类的图像分割模型和算法。由于自然图像中的目标具有多种属性的特征,比如颜色特征、几何特征、纹理特征等,单一特征无法准确描述自然图像中千变万化的物体,本文采用多种属性联合的特征进行图像分割。本文主要工作包括:基于图像多种属性特征数据,给出两个加权稀疏子空间聚类模型及其数值解法,并将其用于自然图像分割。主要贡献是,在表示系数的1-范数中引入与数据相似度和相关系数有关的权重,两种加权1-范数有利于迫使相似的数据尽可能参与到数据的自表示中,而不相似或不相关数据的系数尽可能小,从而改善了稀疏表示不稳定的局限性。在国际标准图像分割数据集上进行了分割实验,通过视觉和客观指标分析了本文方法的性能,结果表明本文方法对于自然图像能够得到稳定、准确、符合人类视觉感受的图像分割结果,客观指标和视觉效果较其它相关方法好。