图像分割是图像识别与理解的基础，是将图像分为互不重叠的、具有特定意义的若干区域的过程。图像分割已经应用于工业、农业、军事等诸多领域，在国民生产生活中发挥着重要作用。近年来，随着子空间聚类方法在机器学习、计算机视觉领域的广泛研究，基于子空间聚类的图像分割方法得到了越来越多的关注。基于子空间聚类的图像分割方法，假设图像相同目标区域中的点属于同一子空间，目标区域所属的子空间之间是相互独立的。在此基础上，子空间聚类方法将图像中的点划分到其本质所属的子空间，从而实现点的聚类。对于图像分割而言，将同一区域的点聚为一类就完成了图像区域的划分。基于子空间聚类的图像分割方法，将图像中的点投影到子空间中，得到点的子空间表示，这一过程需要完成投影字典的选择和表示系数的计算。由点的子空间表示可以构造图的邻接矩阵，并利用谱聚类方法完成点的聚类。本文提出一种新的基于块稀疏子空间聚类的图像分割方法，将图像的超像素作为图像中的点，超像素本身作为字典，通过块稀疏约束得到具有块稀疏结构的子空间表示系数矩阵，并利用归一化割（Ncut）方法处理系数矩阵构造出的图的邻接矩阵，从而得到最终的图像分割结果。数值实验表明，本文模型所采用的块稀疏子空间聚类方法，对于干净数据和带噪声的数据都能得到较高的数据聚类准确率，对应的图像分割模型能够很好地处理彩色自然图像的多相图像分割问题，得到符合人类视觉感受的图像分割结果。