图像是人类认知世界的重要手段,图像处理也是机器学习中非常重要的一个领域。图像分割技术是图像处理技术中非常重要的一个环节,也是当前学术界的研究热点。模糊C聚类算法(FCM)是图像分割中被广泛使用的一种聚类分割方法,算法通过将模糊理论引入硬聚类,更好地反映了图像的模糊特性,获得了良好的分割效果。但是,FCM算法本身存在着鲁棒性不足和缺乏空间相关性等问题。针对这些问题,本文对FCM算法进行了研究,并提出了改进算法。首先,本文分析了标准FCM算法的实现过程,FCM算法中采用欧氏距离作为衡量图像之间相似性的准则,这种方法虽然简单,但是在基于模糊聚类的图像分割算法中,欧氏距离并不准确。针对这个问题,我们提出了一种新的准则取代欧氏距离,作为聚类的新准则。新准则基于HSI彩色坐标系,去除了对分割结果没有价值的亮度分量,结合了邻域信息,并对色调和饱和度进行了非线性变换。同时,本文分析了基于我们的新准则的FCM算法,并通过实验证实了我们算法具有更好的分割结果。之后,针对FCM算法中存在的缺乏空间信息利用和鲁棒性不足的问题,本文提出了一种基于马尔可夫随机场模型,且结合空间邻域信息的模糊聚类分割算法。算法将马尔可夫模型的标号场先验概率引入FCM类型聚类问题,并将马尔可夫的全局空间纹理特性与邻域空间特性相结合,更好的弥补了 FCM模型描述空间特性的不足。同时,邻域信息的引入也降低了噪声点的影响,提高了算法的鲁棒性。通过对Berkeley数据集的多组图像进行仿真,本文算法的AP值高于其他典型同类改进算法2%～4%,证明了提出的算法具有更高的鲁棒性和更精确的分割结果。