图像分割是计算机视觉和医学图像处理等领域的一个关键技术,其目的是把图像分解成各具特性的子区域并提取出感兴趣目标。作为图像分割领域中一类极其重要的算法,基于模糊聚类算法的图像分割技术由于不需要设置阈值,也不需要人工参与,因而得到了广泛的应用。然而,经典模糊C-均值聚类算法在应用到医学图像分割时,有聚类精确度不高、易受噪声干扰等缺点。因此,本文对经典模糊C-均值聚类算法的图像分割技术进行了如下改进：以高斯核函数取代欧氏距离,使低维模糊C-均值聚类算法中的非线性问题转化为高维空间中的线性问题、改进计算噪声距离的公式,使得噪声距离的值对像素改变的敏感度增加、将信息熵概念引入到衡量聚类质量评价中等等。所给出的改进模糊聚类算法具有复杂度低、聚类精度高、易于实现的优点。进而,本文将此算法应用到脑MR图像分割进行仿真对比实验,实验结果表明,本文方法提高了图像分割算法的精确度,具有一定程度的抗噪性。