图像分割是指把图像分解成各具特性的区域并提取出有用目标的技术和过程,它是由图像处理到图像分析的一个关键步骤,在图像工程中占有非常重要的位置。图像分割己在计算机视觉、图像编码、模式识别和医学图像分析等很多领域取得了广泛应用。图像自身存在许多不确定性和不精确性,人们发现模糊理论对于描述图像的这种不确定性是一个很好的选择,而图像分割问题恰好是将图像的像素点进行分类的问题,近年来一些学者致力于将模糊聚类技术应用于图像分割中,在许多应用中效果要好于传统的图像分割方法,但是经典的基于模糊聚类的分割方法仍然存在一些问题。因此,本论文针对这些问题,主要涉及了以下几个内容:(1)对基于标准模糊C均值聚类的图像分割算法进行了探讨,研究了基于模糊聚类的图像分割方法中初始类别数的选取、初始类中心和初始隶属度矩阵的确定等问题。(2)对现有的基于灰度信息和空间信息二维特征的FCM图像分割算法进行了研究,且分析了聚类的有效性函数,并给出了一个适用于图像分割的有效性指标,实现了图像分割中较佳类别数的自动确定。(3)对另一种利用空间信息的方法进行了研究,即在FCM的目标函数中增加惩罚项从而约束隶属度函数。从邻域隶属度约束的角度出发,提出一个新的聚类目标函数,得到基于邻域隶属度约束的模糊C均值聚类图像分割算法。另外,从提高分割速度方面,提出一种基于网格聚类的图像分割算法。实验结果证明了两种算法的有效性和正确性。