提高肺癌病人的存活率，一直是一个世界性难题。计算机辅助检测(CAD)技术可以帮助医生进行快速诊断，进而帮助患者及早发现病情，及时进行治疗，有效提高肺癌病人存活率。因而相关技术的突破，是解决这一难题的关键之一。近年来，随着人工智能技术、数字图像处理技术和医学成像技术的发展，计算机辅助检测(CAD)技术成为生物医学工程领域研究的重点技术之一。利用计算机辅助检测(CAD)技术可以实现对肺部CT图像的快速分析检测，有效的提高了肺结节的检测正确率。　　在采集肺部CT图像的过程中，图像容易受到人体肺部自身结构以及噪声等因素影响，所以采集的图像往往具有不确定性。而医学图像需要精准度高的分割算法来处理，虽然现有的分割方法不少，但是还不够完善。将模糊理论引入聚类分析的模糊聚类算法在处理图像分割问题上，可以有效地解决存在图像中的此类问题。因此，研究相关的模糊聚类理论和提高相应的图像分割算法精准度具有重要的理论意义和实际意义。本文所做的主要工作有:　　1、研究了图像分割理论和算法。对图像分割技术进行研究，并详细分析了算法的优缺点;　　2、研究了聚类分析以及模糊集合相关的理论知识。重点对模糊C-均值算法及相关改进算法进行了研究，详细叙述了算法的步骤以及参数的选取情况;　　3、针对传统的模糊C-均值(FCM)聚类算法存在的一些不足，提出了一种新的基于图像局部空间信息与灰度信息的加权空间函数，得到了一种改进的局部自适应模糊C-均值算法。并对改进算法的具体步骤进行了详细说明，并将本文算法进行了多次仿真对比实验，通过分析实验数据，证实了本文提出的新算法在处理肺部图像的有效性;　　4、将本文提出的算法应用到肺部结节的分割中，通过多次实验仿真，验证了本文算法在利用肺部图像的邻域信息和灰度信息上相比于其他几种传统的FCM算法更有效，得到的结果更好。