图像分割是计算机视觉理论中层次低但非常重要的研究内容，层次较高的特征提取与目标识别都以图像分割作为基础，因此图像分割质量的好坏将直接影响到后续的特征提取和目标识别。图像分割的基本目标是提取图像中对后续工作有意义的部分，如图像中连续的区域、物体的边缘等。把聚类算法应用到图像分割中是较早被研究者提出的方法，而引入模糊集理论的模糊聚类算法更是结合了两者优势的经典方法，其中最有代表性的就是模糊C均值聚类（FCM）算法。它作为一种无监督的模糊聚类方法，避免了算法实现过程中的人为干预，尤其在处理存在模糊性的数字图像中时，更能发挥出模糊数学的作用。这类方法己经得到深入和系统的研究，并且成功应用在图像分割、目标识别、医学诊断、数据挖掘等领域。本文首先综合介绍了图像分割的基本概念和几种典型的图像分割方法，其中重点介绍了结合了模糊理论和聚类方法的模糊聚类方法的理论基础，对模糊C均值聚类算法的推导过程和用于图像分割时的具体执行步骤做了详细的表述。由于标准的基于FCM的图像分割方法仍然存在固有的缺陷，如运算复杂、初始聚类中心需要人为指定并且在一定程度上影响着聚类结果、平滑因子m的选取缺乏理论指导、对图像灰度分布不均衡的情况分割效果差等。其中由于在聚类的过程中使用了仅考虑像素灰度特征的欧式距离作为相似度距离，因此，在处理含噪声的图像时，使用标准的FCM图像分割方法分割的图像不能令人满意。本文针对这一问题，根据邻域均值滤波和中值滤波有效处理图像噪声的原理，提出了一种新的相似度距离计算方法，充分考虑了像素的灰度信息和邻域信息，实验结果表明，该方法在分割图像时能有效地减少噪声的干扰。要减少分割过程中噪声的干扰，提高算法抵制噪声的能力，进一步提高图像分割的效果，有效地结合和使用空间信息是关键问题。本文提出了一种自适应的模糊C均值聚类图像分割方法，充分利用像素的空间位置信息，结合模糊推理系统将被分割像素进行分类，针对不同类别的像素自适应地采用合适的相似度距离进行聚类。通过对多幅人工合成图像和自然图像分割的实验，证明了本文的改进方法与传统的FCM算法相比具有更强的抗噪性和更高的分割精度。