近年来模糊聚类算法的数字图象处理与计算机视觉中的应用日益广泛,特别是在特征抽取与边界检测上,对于缺损的或缺乏先验知识的复杂边界检测其具有独特的优势,在这些聚类算法中,研究人员介绍FCM、FCS、FCL、AFCS以及FCE算法,这些算法最主要的不同点在于特征空间上关于距离的几何量度的不同,因此,不同的聚类算法能检测不同类型的距离.但这些算法的最大缺点在于每种特定的算法只适用于固定的形状特征,对由不同类型的边界所组成的组合边界就失去了适用性.为了解决这个问题,研究人员提出了子类合并法,子类合并法是由FCE算法和一致类合并法相结合而得来,先用FCE算法对复杂形状曲线进行分段线性检测,其类数远远大于原始数据实际存在的类数,然后去除"伪"类,保存"好"类,合并性质特征相似的类,最后得到最佳的类的数目,从面能最佳地线性逼近复杂形状的曲线.为了解决图象中存在噪声干扰的界特征提取问题,研究人员介绍了噪声检测的算法,它定义单独一类作为噪声类,且定义每点到噪声类的距离均相同,适当选取此距离,使最后赋予非噪声点相对噪声类较小的隶属度,而赋予噪声点较大的隶属,从而检测出噪声,并且探索了用不同的模糊聚类算法结合此噪声检测算法来对带有噪声的不同类型的边界进行检测.大量的仿真试验结果证明了这些算法在检测相应边界上的适用性.最后,该文对研究工作进行了全面的总,概括了实验结果并给出了相应的结果分析和结论.并对今后的研究方向提出了作者的几点看法.