图像的精准分割对于图像分析具有重要意义。基于划分的模糊聚类算法具有简单、灵活、快速高效的特点,在图像分割任务中得到广泛的应用。然而,现存的模糊聚类算法难以得到理想的图像分割结果。原始的模糊聚类算法只考虑了图像的像素值,对噪声图像分割效果较差。带有均值滤波或中值滤波的模糊聚类算法可以减轻噪声的影响,但会破坏图像的边缘信息。目前,基于引导滤波的模糊聚类算法可以有效地去除噪声,并且精确地保持图像的边缘信息,但只被应用于灰度图像分割。本文对基于引导滤波的模糊聚类算法进行研究,设计了用于灰度图像分割、彩色图像分割、一般数据聚类的多个算法。论文主要包含以下内容:(1)针对灰度图像分割,本文提出了一种基于参数优化引导滤波的模糊聚类算法。该算法引入影响因子来调节引导图像,对于不同程度的噪声图像通过设置不同的影响因子值来提高分割结果。然后,数学证明了影响因子调节引导图像等同于直接调整滤波参数,并且影响因子调节引导图像的方法更高效。最后,论文使用形态学重建方法重建噪声图像,提升高噪声图像的分割结果,并简化影响因子的选取。在实验测试中,上述方法在含有高斯噪声、莱斯噪声的图像上取得了理想结果。(2)针对彩色图像分割,本文首先提出了一种新的多通道加权引导滤波方法。该方法将彩色图像的每个通道分别作为引导图像对灰度输入图像滤波,然后将每个通道滤波后的结果加权求和得到最终的滤波结果。其中,每个通道的权重与局部窗口内像素的方差有关。与现有多通道引导滤波方法相比,论文提出的方法可以得到更加精确的滤波结果,并具有更低的时间复杂度。随后,论文将多通道加权引导滤波用于聚类中改善彩色图像的分割效果,提出了一种基于多通道加权引导滤波的模糊聚类算法。最后,使用多元形态学重建方法重建带有噪声的彩色图像,提出基于多元形态学重建与多通道加权引导滤波的模糊聚类算法,进一步改善彩色噪声图像的分割结果。在实验测试中,上述聚类算法在含有高斯噪声、椒盐噪声的彩色图像上得到了理想结果。(3)针对一般数据聚类,本文首先设计了一种新的滤波窗口,选取每个数据的邻居,并且确保数据点之间的邻居关系是相互的。随后,基于新的滤波窗口,论文设计了用于一般数据聚类的带有引导滤波的模糊聚类算法框架,并将该框架用于模糊C均值聚类算法、基于属性熵加权的模糊聚类算法和核模糊聚类算法。在实验中,论文使用了非线性数据集、UCI数据集、图像数据集进行测试,测试结果表明论文提出的框架可以有效提升上述三种模糊聚类算法的效果。