长期以来,天气与人们的各种活动紧密相连,灾害天气会给人们的生活带来不利,对其及时预报可有效防止各方面不必要的损失,因而多普勒天气雷达图像即气象图像的研究和应用备受重视,它有助于人们对天气情况的及时监测和预报。但由于图像自身存在特殊性,传统的图像分割方法如阈值法、边缘检测法、边界跟踪法、活动轮廓模型等会出现目标提取不完整、计算时间长等问题,无法满足实际需要。人们发现模糊理论具有较好的解决问题的能力,且图像处理也是像素点归类的过程,近年来不少学者用聚类算法对图像进行分割,相对于传统的图像分割方法提高了精度,但模糊聚类分割算法仍有不足。论文针对气象图像的应用问题,在核模糊聚类算法的基础上对其不足进行研究,具体内容有：首先,介绍了核模糊聚类的基本思想和发展现状,而后通过实验对核模糊聚类(KFCM)算法的优缺点进行分析,并通过大量文献和实验分析了参数m对图像分割效果的作用程度,得出m∈[1,3]时,聚类效果最好。其次,为解决KFCM算法受给定的初值影响的问题,加入蚁群算法,用该算法计算聚类算法需设定的初始中心和数目,然后用于KFCM算法,克服了核模糊聚类的不足,降低了初始参数对分割的影响。再次,由于加入蚁群算法后计算效率低,将遗传算法用于蚁群核模糊聚类,用遗传算法选取蚁群算法的参数,并引入路径变异操作,采用新的信息素更新策略。实验验证,改进算法能够增加聚类的精度,减少运算时间。最后,分析气象图像的特征,讨论了改进算法针对气象图像的应用并进行算法评价。实验分析可知,改进算法能较好的处理多目标图像且分割精确,能够满足实际需要。