医学图像分割是其他医学图像处理与模式识别问题，如特征配准、特征量化、三维重建等的前处理技术，并可为临床诊断和辅助治疗提供有力的支持。医学图像分割的效果直接决定着计算机辅助诊断系统的成败。本文主要针对脑部核磁共振图像进行分割研究，本文研究内容主要涉及到正常脑组织的分类问题。模糊C-均值（Fuzzy C-Means, FCM）聚类算法是模糊聚类算法中的一种经典的算法，它通过采用迭代优化目标函数来实现对数据集的模糊划分，具有很好的收敛性。采用FCM算法实现图像分割避免了设定阈值，解决多分支的分割问题，适合应用于存在模糊性和不确定性的特点。FCM算法是一种无监督聚类算法，聚类过程中不需要人工干预，非常适合自动分割的应用领域。但是，标准FCM算法仅考虑图像的灰度信息，没有考虑图像的空间信息，所以对噪声比较敏感。考虑到医学图像数据提取中必定包含噪声，因此改进的的算法必须对噪声具有鲁棒性。本论文围绕着模糊C-均值算法的改进及其在图像分割中的应用主要做了以下工作：首先，对标准FCM算法的图像分割算法进行了深入的讨论，阐述了模糊聚类图像分割方法的类别数的选取、以及确定初始类中心和初始隶属度矩阵的方法，还重点介绍了近几年国际上出现的许多FCM的改进算法，将他们大体分为三类：第一类，改变隶属度的约束条件；第二类，加入空间信息约束项；第三类，引入核函数，并对这些算法中的经典算法做了简单的分析和评价。其次，针对标准FCM算法没有考虑像素的空间信息，对噪声十分敏感的缺点，对标准FCM算法的目标函数进行改进。改进算法引入自适应加权系数来控制邻域像素对中心像素的影响程度，充分利用像素的邻域特性，对Chen聚类算法的目标函数改进。实验结果表明，该改进算法既能快速有效的分割图像，又能提高对噪声的鲁棒性。最后，针对标准FCM算法没有考虑像素的空间信息，对噪声十分敏感的缺点，对标准FCM算法的隶属度函数进行改进。改进算法在标准FCM算法的隶属度函数中加入先验概率和模糊空间信息两方面空间信息。实验结果表明，该改进算法对噪声有很大的阻力，即使在图像中增加噪声级，该算法也毫无例外的实用。