由于信息科学技术的迅猛发展，信息量呈现爆炸式增长。而图像是人类获取信息的重要途径。通常人们获取的图像信息中，并非所有信息都是必需的。因此，需要用到图像分割技术提取并分析图像中关键信息。图像分割是图像处理中的关键步骤之一，是图像描述、表示的必要前提和基础。在理论研究、实际应用中均得到较为广泛的重视，如医学、军事等行业。　　目前，在已有的图像分割算法中，模糊C-均值聚类算法(Fuzzy C-Means Clustering Algorithm，FCM)是最受学者们青睐的一种图像分割方法。该算法应用最广，称为一切算法的基础。然而该算法并未考虑像素间的关系，易受异常值干扰且分类效果不明显。众多学者在此基础上进行一系列拓展改良与发展，使得该方法具有更好的分割效果，然而这些改进后算法的计算时间均较长。为此，中智模糊C-聚类算法(Neutrosophic C-means Clustering Algorithm，NCM)被提出，该算法灵感来自FCM和中智集合框架，虽然缩短了FCM计算时间长、提高了分类精度，但抗噪性差等缺点仍未得到改善。为了增强NCM法的抗噪性和鲁棒性，本文将二维直方图、邻域空间信息、再生希尔伯特核函数等概念加入该算法中，进行改进及优化，提出一系列新的算法，并围绕这几个算法展开以下研究内容:　　1.介绍模糊集理论、FCM法以及NCM法，分析了FCM和NCM两种算法的异同。引入邻域像素均值，将各像素与其邻域像素均值相结合，形成二元数组，统计其出现的频次，由此构造二维直方图，提出了一种新算法——基于二维直方图中智模糊C-均值聚类算法(Neutrosophic C-means Clustering Algorithm Based on Two Dimensional Histogram，2DH-NCM)。在图像分割视觉效果上，新算法相比中智模糊C-均值聚类分割法具有更好的抗噪能力和分割效果。而分割图像的峰值信噪比(Peak Signal to NoiseRatio，PSNR)显示，新算法的PSNR值相较于其他算法最大，大于FCM算法5-7dB，大于2DH-FC算法3-4.5dB，大于NCM算法2-3dB。　　2.针对NCM算法的隶属度迭代表达式存在的不足，在中智模糊C-均值聚类的目标函数上采用拉格朗日乘子法，优化NCM算法目标函数的隶属度、聚类中心，提出新算法——改进的中智模糊聚类算法并及其应用于图像分割。实验测试研究了不同加权因子对算法抗噪性能影响测试，且验证了改进的算法的可行性和有效性。　　3.针对NCM算法对非凸不规则数据的聚类性能较差的缺点，将再生希尔伯特核函数概念嵌入NCM算法，用内核诱导距离代替欧氏距离，利用Mercer条件的非线性问题，低维线性不可分的模式被映射到可分高维空间，优化输入图像样本特征。由此，提出新算法——核空间中智模糊C-均值聚类算法(Neutrosophic C-means Clustering Algorithm in Kernel Space，KNCM)，新算法得到的图像聚类分割结果更稳定，提高算法的抗噪能力。在图像分割视觉效果上，新算法具有更好的抗噪能力和分割效果。新算法的PSNR值相较于其他算法最大，约大于FCM算法1-4.3dB，大于KFCM算法1.2-3.3dB，大于NCM算法0.4-2.3B。　　4.为提高NCM算法鲁棒性，邻域信息约束函数被嵌入到该算法中，像素间被充分联系起来，提出新算法——邻域信息约束中智模糊C-聚类算法(Neutrosophic C-means Clustering Algorithm in Location Information，LNCM)。通过对图像去噪测试，证实新的算法能够满足图像分割需要，并且具有良好的鲁棒性。　　5.将邻域信息函数、再生希尔伯特核函数相互结合嵌入到NCM算法的目标函数中。建立隶属度、聚类中心表达式，并用内核诱导距离代替欧氏距离，优化样本特征。获得局部邻域信息的核空间中智模糊C-聚类算法(Neutrosophic C-means Clustering Algorithm Based on The Kernel Space of Local Information for Image Segmentation,LKNCM)。在视觉效果与PSNR值上，新算法与其他相关算法比较分析其分割结果较稳定、边界较平滑，适合图像分割需要，且具有较高的鲁棒性和抗噪性。