图像分割是计算机视觉领域的研究热门之一,伴随着计算机视觉技术的发展,图像分割已被广泛应用到医学、交通和通信等研究领域。图像分割也是进行图像理解的基础,图像的精准分割对图像的后续处理任务有着巨大的作用。因此对图像分割进行深入研究具有重要的价值和意义。由于科技的不断进步,成像设备变得越来越先进,这使得图像的分辨率越来越高。超像素作为一种非常有效的预分割技术,能够大大降低图像后续处理的计算复杂度,但同时也对超像素分割有了更高的要求。因此本文提出了一种基于局部模糊聚类（Local FCM,LFCM）的超像素分割算法,并又提出了基于LFCM超像素的快速模糊聚类图像分割算法和基于LFCM超像素的快速交互式图像分割算法,内容如下:针对超像素边界贴合性欠佳和分割实时性仍需提高等问题,本文提出了基于局部模糊聚类（LFCM）的超像素分割算法。本方法首先网格初始化超像素区域,设计了一种3×3邻域超像素的搜索区域;然后通过计算像素对周围3×3邻域超像素的隶属度的大小来确定像素的划分;并设计了新的距离度量方式对“孤立”超像素和邻域超像素进行合并,从而得到最终的超像素结果。并与典型的超像素分割算法进行了实验对比分析,凸显了该算法的优势。本文利用生成LFCM超像素代替像素,对图像再次进行模糊聚类,提出了基于LFCM超像素的快速模糊聚类图像分割算法。但是直接使用超像素的聚类中心代入目标函数会忽略掉局部空间信息。为弥补该不足,本方法将自适应局部空间信息加入到目标函数中,进而提出了改进的目标函数,并更新了隶属度和聚类中心的计算方式。通过与典型的模糊聚类图像分割算法的实验对比分析,验证了该算法的有效性。为提高交互式分割的实时性及分割精度,本文提出了基于LFCM超像素的快速交互式图像分割算法。本方法同样利用LFCM超像素替代像素建立s-t图模型,用最大流最小割算法得到初步分割结果;然后对其边界进行处理,通过在边界处建立窄带区域并基于窄带区域内的像素建立s-t图模型,再次用最大流最小割算法进行精准分割。最后和典型的交互式分割算法进行了实验对比分析,突出了该算法的优秀性能。