颜色是人们识别图像的主要感知特征,在模式识别与计算机视觉领域发挥了重要的作用。随着科学技术的发展以及计算机处理能力的提高,处理高维彩色图像数据成为了可能,因此彩色图像分割受到人们越来越多的关注。传统的彩色图像分割方法直接在彩色图像的三个分量上使用灰度图像分割算法,这种方法不能有效的利用图像信息而且很难评价分割结果。聚类分析的方法能够有效的处理高维数据,把高维的彩色空间信息统一进行分析,使分割结果更加合理。模糊理论对于图像的不确定性有很好的描述能力,因此本文主要研究了用模糊C均值算法分割彩色图像,以及对传统方法的改进实现自适应、有效、稳健的彩色图像分割。本文主要工作及成果如下：(1)、研究了不同类型的聚类分析算法,在真实数据集上比较了FCM、BIRCH和Mean Shift算法的性能,结果表明FCM算法在处理真实高维数据的性能要优于BIRCH和Mean Shift算法,适合做高维数据分析。(2)、提出了基于颜色纹理特征的彩色图像分割算法。颜色空间的选择是彩色图像分割的首要问题,本文首先研究了不同颜色空间对模糊C均值图像分割算法的影响,从主观的角度评价了各种颜色空间的特点,并选出了Lab空间作为模糊C均值算法的最佳空间。在较复杂的自然彩色图像中,往往会出现颜色相近而语义无关的区域,使用纹理特征能够有效地把它们区分开。本文提出结合颜色纹理特征的FCM算法,有效地分割出了复杂自然彩色图像中的目标。(3)、结合颜色纹理特征的彩色图像分割算法能够把彩色图像的各种特征作为一个整体进行考虑,具有直观、易于实现的特点,分割效果较好。但是FCM算法需要给定聚类数目,且结果依赖于算法的初始化。本文提出结合层聚类方法和基于距离初始化聚类中心的方法改进FCM算法,在真实的彩色图像上实验验证了本文方法分割结果更理想。