图像分割是模式识别和计算机视觉中的一个经典问题，是图像分析中的一项关键技术，是进一步对图像进行识别、跟踪、理解和编码的基础，分割的准确性直接影响后续任务的有效性，具有十分重要的意义。由于成像中各种因素的影响，使得待分割图像的目标与背景之间一般带有一定的相似性和不确定性，而且图像分割质量最终是由人来做主观评价的，图像所具有的不确定性往往是模糊性，而不仅仅是随机性。而模糊信息处理技术特别适合此类问题的解决，因此在图像分割中得到了十分广泛的应用。　　 基于以上原因，本文研究了以模糊聚类理论为基础的，在图像分割中颇为流行的基于模糊熵的图像分割方法和基于模糊c均值聚类算法图像分割方法，并针对其在图像分割应用中的不足之处进行了改进。　　 首先，对基于二维灰度直方图的模糊熵分割算法进行了深入研究。传统的基于一维灰度直方图的模糊熵分割方法不能反应图像的空间信息，对噪声敏感，而二维分割方法对于绝大多数图像，都具有很强的鲁棒性和抗噪能力，分割效果明显优于一维的方法。　　 其次，构造了两种二维直方图，形成两种改进的基于二维直方图和FCM算法的图像分割算法。这两种直方图中，一种是利用PCNN神经元的同步脉冲发放特性和捕获特性，构造了灰度-PCNN均值输出图像对二维直方图；一种是利用中值滤波的滤波效果好并保持边缘的特性构造了一次中值滤波-二次中值滤波二维直方图。由于这两种二维直方图更为合理有效，再结合FCM算法进行图像分割，获得了很好的效果。