图像分割是指将图像划分成一系列彼此互不交叠的匀质区域。它是图像处理和计算机视觉的基本问题之一,是实现从图像处理到图像分析,进而完成图像理解的关键性步骤,并且已在诸如计算机视觉、模式识别和医学图像处理等实际中得到了广泛的应用。在众多图像分割算法中,模糊C均值聚类(Fuzzy C-Means, FCM)算法的应用十分广泛。传统的模糊C均值聚类算法是通过欧式距离来建立目标函数,在分类效果上存在一些不足。目前,许多研究者通过定义其它距离方式来建立目标函数,以改进传统的模糊聚类算法,应用较广的是一种采用核函数的方法,通过核距离的方式来建立算法的目标函数,设计了模糊核函数聚类算法。尽管模糊核函数聚类算法提高了算法的分类能力,但是算法在处理数据样本时,聚类中心计算的准确度不高。此外,算法忽略了图像的空间连续性信息,对于图像中的噪声较敏感,算法的聚类效果不好,针对上述问题,本文在模糊核函数聚类算法的基础上做了进一步探讨与研究,引入了噪声类及Markov随机场,以达到增强算法的分割能力,其主要研究内容如下:1.介绍了模糊C均值聚类算法相关内容,并阐述了算法的优缺点。在此基础上,介绍了与核函数相关的定义﹑基本原理以及核函数的选择,分析了模糊核函数聚类算法的思想,并通过仿真实验验证了该类算法对传统模糊C均值聚类算法分类能力的有效提高。2.为了提高模糊核函数聚类算法的聚类能力,本文将噪声类的概念融入到模糊核函数聚类算法中,设计了一种含噪声类的模糊核函数聚类算法,并通过使用IRIS数据对算法进行仿真实验,验证了算法的有效性。3.为了进一步提高算法的精度,本文设计了基于Markov随机场和噪声类的模糊核函数聚类算法,在算法设计过程中,结合了基于隶属度矩阵的Markov随机场先验模型,同时融入噪声类的概念,并将算法应用于人工合成纹理图像以及医学图像中,验证了算法的可行性和优越性。本文所设计的算法均在MATLAB环境中得到了实现,在实现过程中将各类实验结果同相关算法进行比较,验证了本文所设计的算法的可行性和有效性。