相较于模拟图像处理技术,数字图像处理有着诸多先天优势,图像分割技术作为数字图像处理技术中一个重要研究领域,是图像增强、图像识别等技术实现的重要一环。在诸多图像分割算法中,模糊聚类图像分割算法因其模糊分类特性,使其更适合图像信息的处理,成为一种常用且高效的图像分割算法。研究人员通过向经典模糊聚类分割算法引入空间邻域信息提升算法抗噪性能、使用直方图降低冗余提升算法执行效率、使用核函数提升算法鲁棒性等方法提升算法性能,但算法依然存在着聚类数量与初始聚类中心点无法快速自适应确定,邻域空间信息需要特定参数的问题。针对模糊聚类图像分割算法存在的问题,本文提出了自适应确定图像最优分割数量及初始化聚类中心的方法和改进的确定非局部空间信息滤波参数的方法,用于提升图像模糊聚类分割算法的整体性能。本文主要的研究工作和创新点如下:（1）提出一种自适应确定图像最优分割数量及初始化聚类中心的方法。该方法基于图像灰度直方图的统计分布规律及形态学特征,通过对图像灰度直方图进行特定的非线性处理,剔除一些干扰信息,获取最优分割数量,结合对聚类分割算法的聚类中心位置的分析,使用区域中位点获取与实际聚类中心较为接近的初始位置。以较少的资源消耗,自适应获取最优聚类数量,并使用与最终聚类中心点更接近的初始聚类中心,降低聚类算法在粗聚类阶段的时间消耗。实验仿真结果表明,与现有初始聚类中心生成算法对比,本文的方法在算法执行效率及鲁棒性方面都表现较好,聚类算法的执行效率获得较大幅度的提升,所获得的初始聚类中心有着更为均匀合理的分布,有效的避免了算法陷入局部最优而导致聚类失败的问题。（2）提出一种改进的确定非局部空间信息滤波参数的方法。在非局部空间信息模糊聚类分割算法中存在着滤波参数机械确定、算法性能受滤波参数影响较大的问题,而且这种问题在信噪比较低的情况下尤为明显。本文充分利用图像像素搜索域内各像素点与中心点近邻距离的统计特性,提出一种新的自适应确定非局部空间信息滤波参数的方法,使算法在非局部空间信息图生成阶段就获得较为优秀的滤波效果。算法在与FCM算法结合后更体现出较好的聚类分割效果,使聚类结果类内更团聚,类间距离更大。实验仿真结果表明,本文提出的算法能稳定获得与对比算法在最优滤波参数配置下接近的算法性能,算法具有较高的鲁棒性和抗噪性能。在对比实验中本文算法更使得图像模糊聚类分割算法以显著优势超过FCM-S1算法的性能。