图像分割在计算机视觉中占有相当重要的地位,是目标识别,场景分析,目标检测等多种任务的预处理步骤。分割质量的好坏将对这些任务的输出产生影响。目前,最常用的分割质量评价方法是主观评价,但是该方法耗时耗力。客观评价方法包括有监督和无监督的评价方法,其中有监督分割质量评价方法需要人工分割结果或预处理的参考图像。不需要参考分割的无监督分割质量评价方法是实现在线分割质量评价的关键。为了获得更好的无监督分割质量评价性能,本文对基于聚类学习的目标分割质量评价方法进行研究,主要研究内容是基于边缘特征,采用聚类学习发现图像分割区域的局部空间结构特征,以块结构中包含的边缘信息作为分割质量评价的依据,设计并实现无监督评价方法。本文首先介绍了图像分割以及图像分割质量评价的国内外现状。然后介绍了本文涉及的相关技术,包含有监督评价方法,无监督评价方法,边缘特征聚类,聚类以及显著性检测。接下来,本文提出了一种基于图像边缘特征聚类的分割质量评价方法,详细介绍了其训练数据构建和评价分数的计算,并在分割评价数据库和三种不同分割粒度分割上对该方法进行了验证和对比实验。实验结果表明该方法的评价性能超越了F,Hw,Zeb,Frc无监督评价方法,同时可与Variation of Information(VOI),Global Consistency Error(GCE)有监督评价方法的性能比肩,但在过分割评价上存在缺陷。在此基础上,通过分别引入视觉显著性和设置分割边界系数,提出了基于视觉显著性的分割质量评价方法和一种改进的基于图像边缘特征聚类的分割质量评价方法。最后对改进后的方法进行了对比验证,实验结果表明改进后的方法弥补了原有方法的缺陷,提升了综合评价性能。其中,增设分割边界系数后的改进方法的评价性能超过了Probability Rand Index(PRI),VOI,GCE三种有监督评价方法。