图像分割是根据一定准则把一幅输入图像分割成若干具有相同性质的类别，提取人们感兴趣的部分，它是图像特征提取和识别等图像分析理解的基础。常用的图像分割方法有阈值化法、基于边缘检测的方法、区域生长法、模糊聚类法等，这些方法都各有优缺点，能适合所有图像的分割方法还未提出。在模糊聚类图像分割算法中，最具代表性的是模糊C均值图像分割法，该方法原理简单且能自适应迭代获得最终分割结果，但同时该方法也存在明显缺陷，一方面，需要预先知道图像分割的类别数，并为每一类人为设定聚类中心，另一方面，它没有考虑像素点的空间信息，即没有考虑邻域像素点对分类结果的影响。典型的阈值化法有最大类间方差法、最大熵法、最小误差法等，其中最大类间方法只考虑了两类之间的距离，没有考虑类内之间的距离，虽然新的阈值分割方法层出不穷，但阈值的选择始终是一个未解的难题。论文重点研究了考虑空间信息的模糊C均值图像分割算法，在此基础上改进了模糊C均值图像分割算法和最大类间方差法，主要内容为：(1)提出一种将马尔科夫随机场引入模糊C均值图像分割的新方法，马尔科夫随机场能很好的描述像素点与其邻域像素点的关系，解决了模糊C均值图像分割法没有考虑空间像素的缺陷，同时在目标函数加入权重因子α用于调整局部邻域像素点的先验分割对分割结果的影响权重。(2)考虑像素空间信息的另一方法是在模糊C均值聚类算法目标函数中加入带邻域信息的惩罚项，像素点与其相邻像素点的灰度值组成若干序列，计算各序列灰色关联度，通过灰色关联度的值设定惩罚项的参数值，实验证明这种方法是可行的。(3)最大散度差阈值化法是最大类间方差法的一种改进算法，这种方法不但考虑了类间方差，还考虑了类内方差，但是散度差准则中的参数C的选择却没有得到解决，需要手动设置，把模糊最大散度差准则引入图像分割中，借鉴模糊C均值图像分割算法求解聚类中心和模糊隶属度的方法，提出了一种求解最大散度差准则中参数C的有效方法，取得了不错的分割效果。