图像分割是图像处理中一个重要的研究领域。近年来,超像素是一种流行的图像预分割技术。超像素将图像中具有相似特征的像素划分成图像块,由于超像素提取了像素的特征,与像素相比,有更好的特征表达能力,以超像素作为后续图像处理的单位,可以大大减少计算复杂度。大多基于聚类的超像素算法在初始化种子点时,使用均匀的网格初始化,使算法倾向于生成尺寸一致的超像素。自然图像都包含着不均匀的图像内容,多数超像素算法没有捕捉到图像内容结构的差异。另外,模糊C均值(Fuzzy c-means,FCM)是一种经典的无监督图像分割方法,虽然一些改进算法改善了FCM算法的分割效果和对噪声的鲁棒性,但是大部分改进算法都增加了时间消耗。本文针对以上超像素算法和FCM算法存在的问题展开研究,主要工作有:(1)对超像素分割和FCM图像分割算法进行了全面的阐述,总结了超像素和FCM图像分割算法的现有成果,分析了当前研究成果的优缺点。(2)提出了一种内容敏感超像素分割算法。在种子点采样阶段,算法根据图像内容结构放置种子点,然后使用最小生成树聚类算法生成初始超像素,最后将图像信息引入距离度量,利用边界调整进一步优化初始超像素的分割效果。算法在图像内容复杂区域生成相对较小的不规则的超像素以达到更好的边界贴合率,在图像内容简单的区域生成相对较大的规整的超像素提高计算效率。实验结果表明,该算法在超像素分割精度和紧凑性方面获得了良好的分割效果。(3)针对FCM图像分割算法运行时间长和对噪声图像敏感的问题,提出了一种基于层次超像素的FCM图像分割方法。算法将稳健的边界轮廓强度引入层次超像素,使层次超像素分割更加精确。超像素提供了不规则的邻域空间信息,并有效简化了图像的表达,在超像素直方图上应用FCM算法得到最终的图像分割结果。实验结果表明,该算法能以较高的运行效率实现图像分割,在噪声环境下能取得更稳定的分割效果。