图像分割作为图像理解和机器视觉的共同基础和前提,在图像分析处理中占据非常重要的地位。目前,它已在人们的实际生活和工作中显现出越来越重要的作用,如生物医学工程、智能交通、智慧农业、对地观测与遥感等领域。然而,由于人们对图像分割质量要求的提高以及图像本身固有的模糊性,传统的图像分割方法已不能满足人们生活和工作的各种需要。因此,深入研究图像分割技术势在必行。鉴于图像本身的复杂性、随机性和不确定性,采用模糊理论能更贴切地描述图像中存在的模糊性、未知性等问题,于是模糊集为图像分割理论体系的发展提供了新的更有力技术支持。模糊C均值聚类(Fuzzy C-Means Clustering,FCM)算法因其简单、高效等优势而颇受国内外学者重视。然而,该算法采用单一隶属度表示样本的归属问题,无法贴切地描述样本间的未知性,导致样本归类存在一定偏差;同时,该算法将数据集中的样本视为独立的样本点,忽略了样本间的内在联系,导致算法对样本中奇异值存在错分现象,使算法鲁棒性较差。针对上述FCM算法存在的不足,众学者对FCM算法进行了一系列改进,如:针对单一隶属度描述的局限性,将图形模糊集与FCM相结合提出图形模糊聚类算法;针对样本空间信息的缺失,将邻域空间信息与FCM相结合提出一系列含空间信息约束的鲁棒FCM算法,极大改善了算法的抗噪鲁棒性。在此基础上,本文利用邻域空间信息、KL散度、可能性理论,对现有的鲁棒模糊聚类算法进行了相应的改进及优化,主要围绕以下几个算法展开研究:1、为改善现有图形模糊聚类的准确性和鲁棒性,以及解决空间邻域信息约束正则化参数选择问题,提出新的自适应加权图形模糊聚类算法。首先,针对现有图形模糊聚类因指数正则项而造成耗时过大问题,采用一种新的对称拟二次型正则项。其次,考虑到当前像素与邻域像素灰度的紧密联系,引入自适应权,将当前像素和邻域均值进行自适应加权融合,并将权熵约束项嵌入聚类目标函数以解决加权参数的选择问题。最后,利用邻域像素的图形模糊划分信息构造当前像素的局部空间信息约束项,对当前像素的图形模糊划分项进行调整,从而对迭代所得的聚类中心进行修正。测试结果表明,改进的自适应鲁棒算法在分割精度和抗噪鲁棒性上均有一定的潜在优势。2、针对现有FCM算法对应的各种改进鲁棒算法难以实现邻域信息约束的自适应调节问题,提出一种基于KL散度的自适应加权鲁棒模糊聚类算法。首先,利用邻域像素均值和中值信息协助当前像素聚类,在引入自适应权系数的同时嵌入自适应权熵正则项,从而构造融合空间邻域均值和中值信息的鲁棒聚类目标函数;其次,考虑到邻域像素隶属度的关联性,利用KL散度和隶属度空间信息对当前像素隶属度进行监督约束,从而进一步改善算法分割精度;最后,对合成图像、医学图像及遥感图像进行分割测试。结果表明,与其他鲁棒模糊聚类算法相比,建议算法对噪声具有更强的抑制能力且能获得更满意的分割结果。3、为了进一步改善自适应加权鲁棒模糊算法的分割性能,提出一种基于KL散度和可能理论的自适应鲁棒模糊聚类算法。鉴于可能性C均值聚类(Possibilistic C-Means Clustering,PCM)算法放松模糊隶属度的归一化约束,将这一松弛约束思想引入自适应加权鲁棒模糊聚类算法中,构建了一种新的加权系数和不为1的自适应可能性加权鲁棒模糊聚类模型与算法,进一步增强了自适应加权鲁棒模糊聚类算法对噪声的抑制能力。