图像分割作为图像理解与分析的基础,长期以来备受相关学者高度重视和关注。图像分割的本质是具有相似特征的像素分类问题,相似特征是指某些特征具有一定的相似性,如灰度,颜色,色调,纹理,强度等。到目前为止,国内外众多学者提出了许多不同原理的图像分割方法,但未有具有普适性的图像分割理论和方法。图像分割质量好坏对后续图像理解和识别具有决定性的作用,探索高效的图像分割理论对于图像分割理论的发展具有重要价值意义。模糊集可以解释图像自身的不确定性和模糊性,符合人类对客观世界的表达方式。以模糊集合为基础的聚类算法应用于图像分割时存在一定潜在优势,其中模糊C-均值聚类算法是应用最为广泛的聚类分析方法之一。传统FCM算法本身存在对初始聚类中心、噪声敏感等缺陷,学者们提出多种FCM改进算法,增强了FCM算法的聚类性能和抑制噪声的能力。但是,传统Zdahe模糊集仅用隶属度表达一个元素属于集合的肯定信息,无法描述图像处理过程本身所具有的未知不确定性。将中智集引入模糊C-均值聚类提出了中智C-均值聚类算法,该算法能够克服FCM算法存在的缺陷,对类边界及噪声进行有效聚类,提高分类精度,引起众多学者关注。虽然NCM算法相比FCM算法具有较强的抑制噪声能力,但仍难以满足强噪声干扰数据样本聚类分析的需要。为了增强NCM算法的抗噪鲁棒性能,将马氏距离、隐马尔科夫随机场、希尔伯特核函数和半监督学习等理论引入中智聚类算法,对其优化改进并提出系列新算法。主要研究内容如下:将马氏距离引入中智C-均值聚类算法,提出了基于中智聚类的彩色图像鲁棒分割算法。该算法考虑了图像相邻像素间的相关性与彩色图像分量间的互相影响,将空间邻域信息与马氏距离嵌入NCM算法目标函数,采用最优化方法获得该聚类相关迭代表达式。针对NCM算法抗噪性弱且对非凸不规则数据难以有效聚类的不足,提出了两种新的中智聚类分割算法,包括隐马尔科夫随机场的核空间中智聚类分割算法与基于隐马尔科夫随机场的核空间半监督中智聚类分割算法。利用隐马尔科夫随机场模型获取图像像素分类的先验概率信息,通过信息散度与隶属度相关联构造正则项或将先验概率信息对隶属度做半监督约束,将其嵌入中智C-均值聚类目标函数;并且将其数据样本通过非线性变换推广至希尔伯特核空间,以优化图像中样本数据特征,使图像像素聚类更为准确,提高图像分类性能。为了进一步提升NCM算法的鲁棒性与适应性,提出了一种参数化局部中智C-均值聚类分割算法。该算法分别构造像素属于类、边界、噪声的邻域局部信息,并引入带有隶属度的空间位置信息与控制邻域像素聚类紧致性信息的参数,使得分割算法具有更强的鲁棒性能,有效提高图像分割的抗干扰能力。