图像分割技术是图像工程中的关键步骤,从兴起的那刻就倍受科研界的关注。图像分割技术应用在图像工程学中的各个层次,其广泛的应用领域是其成为热点的重要原因。所谓的图像分割,就是将感兴趣的区域从图像中找出,使目标和背景区域达到分离的过程。在图像分割算法中,聚类分析扮演着非常重要的角色。聚类分析来源于数学集合的理论,兴盛于多学科知识的互相渗透和发展。聚类的分析方法繁多,最具代表性的方法就是模糊C均值聚类算法(Fuzzy C-Means clustering, FCM)。FCM算法是模糊性和不确定性理论的代表,其优点在于具有很强的收敛性和描述事物的模糊性。在实际应用中,FCM也存在一定不足：对初值敏感；对大数据模型运行过慢；对噪声要求严格；容易收敛在局部极值等。本文针对FCM算法存在的不足,对其进行了部分改进,主要工作如下：1.FCM算法对大数据空间存在分类速度过慢的问题,本文提出了基于四叉树预分割的FCM改进算法(QT-FCM),利用四叉树分割算法分类,缩小了传统FCM算法的数据空间,将传统的元素数据空间转换为集合空间。2.基于灰度直方图的FCM分割算法缩小了数据空间,在聚类效率上取得较大的改进,但其仍存在对大噪声比较敏感的缺点。针对此不足,本文提出了基于邻域信息的立体直方图FCM算法(HFCM),通过图像叠加改变数据空间,从而充分利用图像中像素的邻域信息。具体方法是：结合含噪原始图像和滤波处理后的图像形成具有二维统计信息的立体灰度直方图,且对统计数据中小概率事件删除精简。实验证明了算法对大噪声的图像,能取得较好的聚类效果。3.对FCM分割算法的隶属度函数原型进行了分析研究,提出了最小对手抑制算法(SRC-FCM),通过增加最大的隶属度,削弱最弱隶属度提高聚类中心移动速度,进而提高FCM算法的运行效率。理论分析和实验都证明了改进后的算法比原型具有更快的收敛性。上述算法应用于大噪声图像中,取得了良好的分割效果,提高了分割速度,实验验证了改进算法的有效性。