医学图像分割在生物医学影像的分析、处理与识别中占有极其重要的地位，在辅助治疗中起着越来越重要的作用，对医学图像的3D重建、可视化、配准及融合等技术的发展也有重要的影响。由于医学图像存在的内容复杂多样、灰度不均匀、组织边缘模糊和个体差异大等问题，使得医学图像分割成为了研究的难点和热点。模糊聚类算法是模糊理论中的一个重要的分支，而模糊C-均值(FuzzyC-Means，FCM)算法是在各工程领域中应用最广泛和最成功的模糊聚类算法之一。通过深入分析FCM算法的优势及其在应用中存在的问题，本文提出一种结合多分辨率图像分析技术(塔分割)和改进模糊聚类算法的图像分割算法，并应用于MRI图像处理。同时将模糊聚类算法用于改进基于内容的图像检索技术，明显提高了检索效率。 FCM算法是一种基于目标函数的数据聚类分析方法，在具有模糊性和不确定性的图像处理中体现了模糊数学方法的优势，但其存在的需要预先确定聚类数、应用于大规模样本数据时算法的收敛速度很慢、对初始聚类中心的选取很敏感等问题成为限制FCM算法实用和普及的障碍。针对MRI图像数据量大造成FCM算法收敛速度慢的问题，采用塔分割方法来降低待聚类的样本规模，因此不仅保留了像素的灰度信息，还利用根标记法有效地利用了像素间的空间关系信息；进而，针对FCM算法对聚类中心的初始化敏感的问题，引入基于最小化目标函数的方法来获得优化的初始聚类中心，从而使FCM算法应用于MRI图像分割中的效率大大提高，并且保持很好分割质量。 基于内容的图像检索方法有效地克服了传统的基于文本的检索方法的缺点，因此得到了广泛研究。基于内容的图像检索技术是指利用图像内容对图像进行查询，图像的内容包括图像的颜色特征、形状特征、纹理特征及语义特征等。本文系统地总结了基于内容的图像检索五个方面的关键技术，包括特征提取、相似性度量、评价反馈技术等。分析并针对经典的基于内容的图像检索算法存在两个方面的问题：海量图像库的图像顺序检索造成计算量巨大而耗时；检索准确率与检索次数间存在矛盾，引入模糊聚类算法来改进图像检索算法，提高检索效率。首先对图像库的所有图像按照某种相似性原则进行聚类，检索过程在类内进行，从而大大地缩小检索范围并有效地控制搜索时间不会随图像数量线性增加；其次，对检索返回的图像再聚类，分阶段地把图像显示给用户进行评价反馈，从而改善检索准确率与检索次数间的矛盾。 上述算法全部基于Matlab 7.0编程实现。仿真实验证明算法是有效且可行的，达到预期的效果。