图像分割就是把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。它是低级计算机视觉中最基本最重要的研究内容,是成功进行图像分析、理解与描述的关键技术之一,因为图像分割结果的质量直接影响尔后进行的分析、识别和解释的质量。图像分割在计算机视觉、图像编码、模式识别、医学图像分析等很多领域有着实际的应用。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图像的这种不确定性有很好的描述能力,而图像分割问题恰好是将图像的象素进行分类的问题,近年来一些学者致力于将模糊聚类应用于图像分割中,效果要好于传统的图像分割方法。但是经典的模糊分割方法仍然存在一些问题。基于以上原因,本文研究了以模糊理论为基础的,在图像分割中颇为流行的模糊熵和模糊C均值聚类算法,并针对其在图像分割中的不足之处进行了改进和革新。主要研究成果归纳如下:首先,针对目标和背景严重重叠、直方图为单峰的图像,提出了适合该类图像的一种新的模糊熵。新算法结合图像的特点引入了代价函数,通过代价函数重建出近似的理想图像,然后再用新的模糊熵对重建图像进行分割,实验结果表明效果良好。其次,在传统的模糊C均值聚类算法的基础上,提出了结合像素空间信息的模糊C均值聚类算法。新算法可以较好的克服因欠缺重要的像素空间信息而造成的分割结果不理想的情况;并在对该算法的一个重要参数m进行了改进,使其随着算法的运行,不断减小,这样可以使算法能够平稳收敛。最后,图像数据的计算量较大,尤其是图像尺寸越大,计算量就越大,给实际应用带来不便,使得模糊C均值算法的计算受到速度较大的限制。针对这个问题,本文提出了将遗传优化算法引入到模糊C均值的计算中,利用遗传算法在优化方面的长处来弥补FCM在运算速度方面的不足。