图像分割是计算机视觉和图像分析等邻域中重要技术之一。尽管国内外诸多研究人员对图像分割开展了大量的工作,研究出了许多不同的图像分割算法,但是其中大多数分割算法都是只针对特定分割对象而言的,时至今日还没有出现通用的分割算法,因此研究人员还在持续努力的研究和探索分割算法。研究人员已经成功将模糊集合理论引入硬聚类方法的图像分割过程中,由此产生了软聚类的图像分割算法。软聚类算法中应用最广泛、理论最完善的算法是模糊C均值聚类算法。然而,模糊C均值聚类算法进行图像分割时对图像中的异常像素点非常敏感、以及前期易陷入局部极值,需要事先确定聚类数目等缺点。鉴于以上考虑,针对模糊C均值聚类算法存在对噪声和图像中的异常值非常敏感的缺点,本文提出了一种基于空间信息的FCM图像分割算法。该算法有效的利用图像中的空间信息和待分割图像的灰度信息,提高了对噪声图像的分割精度。首先将得到的空间函数引入到隶属度函数中改变了每个像素点的隶属度权重,以此来抑制噪声。然后,将图像中像素的邻域信息考虑进来,对每个像素进行处理形成线性加权和图像,对新形成的图像的灰度直方图进行聚类。通过对合成图像和真实图像的实验结果表明,本文提出算法对噪声图像的分割精度均在99%以上,对比其他算法,本文提出的算法能够在保持图像重要细节的同时去除噪声,对噪声图像具有鲁棒性。为了避免传统模糊C均值算法陷入局部极值,本文利用元启发式算法全局性的特点,提出基于蝙蝠算法的模糊C均值图像分割算法。首先,通过引入混沌映射来改进蝙蝠算法,提高蝙蝠算法的全局搜索能力。然后应用改进的蝙蝠算法得出聚类中心以及聚类数目。最后FCM算法根据聚类中心对图像中的像素进行聚类实现图像分割。本文对模糊聚类图像分割算法进行了实验和讨论,并通过对多种图像的分割结果以及客观的数值分析验证了本文提出算法的正确性。