归一化切割（normalized cut），工学-信息与通信工程-模式识别-统计模式识别-归一化切割，基于图论的最小分割准则容易将图切割成小的子图和孤立顶点的划分方法。经典的归一化切割方法主要用于解决具有两个类簇的聚类问题。给定维空间中的个样本，首先根据这些样本构建一个数据图。在数据图中，一个结点代表样本集中的一个数据点，进一步按近邻距离等方法将顶点进行连接，并以数据点对之间的相似度作为边的权重，从而构建一个图。经典的归一化切割方法的目标是将顶点集分成两个非空不交子图和，即。在数学上，归一化切割方法被描述为一个关于图的最优划分问题。为此，子图和子图之间的亲和度定义为两个子图的所有边的权重之和，记为。子图的体积定义为所有属于子图的边的权重之和，记为。子图的体积可以类似定义。归一化切割方法最终被描述为如下最优化问题：可见，归一化切割准则不仅满足了类簇内部的相似度最大，而且还满足了类簇之间的相似度最小。因此，与朴素的最小分割准则相比，归一化切割准则更适于数据聚类任务。但是，归一化切割准则会导致一个NP-hard问题，通常采用松弛化方法并通过矩阵奇异值分解来获得近似解。