图像分割就是指把图像分解成各具特性的局域并提出感兴趣目标的技术和过程。图像分割在图像工程中占很重要的位置，是从图像处理到图像分析的重要环节，也是进一步图像理解的基础，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。图像分割领域的算法数以千计，但至今仍无通用的分割算法，也不存在一个判断分割是否成功的客观标准。应用到图像分割的聚类分析算法中最经典的是模糊C-均值聚类算法，其聚类过程不需要任何人工的干预。但经典的FCM(Fuzzy C-means)存在噪声敏感等不足，因而研究者围绕经典FCM的改进展开相应的研究，取得了一些进展，仍有很多问题需要研究。论文从抑制噪声和提高收敛速度的角度出发对经典的FCM进行改进并将其应用到图像分割领域。主要工作包括以下方面：　　 (1)提出一种嵌入先验知识的模糊聚类方法PKFCM。经典的FCM采用迭代的爬山技术来寻找最优解。在爬山中重视了单个样本之间相邻两代的影响，但未考虑前次样本集整体分布结构对下次迭代的引导作用。为此，本文在经典的模糊聚类算法基础上提出一种嵌入先验知识的模糊聚类方法PKFCM，并探讨嵌入先验知识与聚类效果的关系。实验结果表明算法PKFCM是有效的可行的。　　 (2)提出基于距离惩罚的模糊聚类方法PDFCM。经典FCM不能有效抑制噪声。为此，提出了PDFCM模糊聚类方法，即在标准FCM基础上，依据样本和领域信息启发对样本和聚类中心距离添加惩罚项，从而达到有效抑制噪声的目的。实验结果表明新的PDFCM是有效的。　　 (3)提出基于先验知识和距离惩罚的聚类方法NRFCM。PDFCM可以克服经典FCM不能有效抑制高斯噪音的问题，但在实现世界中，仍然存在许多颗粒噪声在影响分割质量。为此，结合PKFCM和PDFCM优点提出了一种新的更能提高鲁棒性的聚类方法NRFCM。实验结果表明NRFCM分割效果要优于FCM、RFCM、FCM_S1等聚类方法。