图像分割就是把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。它是低级计算机视觉中最基本最重要的研究内容,是成功进行图像分析、理解与描述的关键技术之一,因为图像分割结果的质量直接影响尔后进行的分析、识别和解释的质量。图像分割在计算机视觉、图像编码、模式识别、医学图像分析等很多领域有着实际的应用。图像自身存在许多不确定性和不精确性,人们发现模糊理论对于图像的这种不确定性有很好的描述能力,而图像分割问题恰好是将图像的象素进行分类的问题,近年来一些学者致力于将模糊聚类应用于图像分割中,效果要好于传统的图像分割方法。但是经典的模糊聚类分割方法仍然存在一些问题,主要是分割结果对噪声非常敏感,分析认为导致这种情况的原因之一就是没有充分利用图像的空间信息。论文对如何合理利用空间信息进行了重点研究,主要涉及了以下几个内容:1)对标准的模糊C均值聚类图像分割算法进行了深入的探讨,研究了模糊聚类图像分割方法的初始类别数的选取、初始类中心和初始隶属度矩阵的确定等问题。2)对现有的基于灰度信息和空间信息二维特征的FCM图像分割算法进行了研究,指出灰度信息和空间信息的权重不应该是固定的,而应该由各个图像本身的信息确定。在此基础上提出了基于灰度信息和空间信息特征加权的FCM图像分割算法,该算法利用聚类有效性函数作为演化策略的优化目标函数对灰度信息和空间信息的权重进行了优化。将该算法用于人工图像和实际图像的分割实验,将其分割得到的结果和标准的FCM算法以及基于二维特征的FCM算法得到的结果进行比较,分割效果有明显的改善。3)对另一种利用空间信息的方法进行了研究,即对FCM的目标函数进行惩罚从而约束隶属度函数。从邻域隶属度约束的角度出发,提出一个新的聚类目标函数,得到基于邻域隶属度约束的FCM图像分割算法。将该算法用于人工图像和实际图像的分割实验,实验结果表明了该算法的有效性以及对噪声的鲁棒性。