图像分割是图像处理的关键环节,其本质是对图像进行区域划分,一个区域内的元素被认为是具有相似性的,而不同区域间的元素是具有较大差异的。图像分割的运用场景广泛,其中,在医学图像处理方面,对脑部MR图像进行分割,可以清晰地看到各组织地分布情况,并且凸显出异常地部分,帮助医生确认病灶,以便更好地进行诊断和开展治疗;在城市遥感图像的图像处理方面,可以快速地了解城市的布局,对于城市的建设开发,和范围异常的监控都具有重要意义。此外在很多其它领域都能看到图像分割的身影。因此可以看出,在生活的方方面面,图像分割结果的优劣都是值得重视的指标,它往往会影响到后续的工作,所以本文对基于模糊聚类的图像分割进行更加深入的研究是很必要的。本文所采用的图像分割算法是基于模糊C均值聚类算法的,通过对传统算法存在的问题进行分析,思考解决问题的方法,对算法的思想、流程进行改进。首先简要介绍了图像分割的技术研究和FCM算法的研究发展现状。然后重点分析了FCM算法及其经典的改进算法的思想和流程。接着本文提出一种基于粒子群优化的FCM算法（PSO＿FCM）,通过引入粒子群优化算法来解决初始聚类中心的选取问题和聚类类别数的确定问题,并通过实验验证PSO＿FCM算法的有效性和可靠性。同时指出了PSO＿FCM算法的局限。为进一步解决传统算法的噪声敏感问题和保留细节能力弱的问题,本文继续提出了一种改进的结合邻域信息的FCM算法,即基于可靠的空间邻域信息的FCM算法,该算法融合了空间邻域信息,并就邻域信息的可靠性做了进一步的研究,使得获取的邻域信息更加可靠。这一改进很大程度上提升了FCM算法的抗噪性,能获得更高质量的分割效果,更准确的分割精度;同时保留了图像更多的细节,尤其是边缘像素的细节保留上,这也使得分割更加平滑。最后也通过和FCM算法及其衍生算法进行实验对比,来比较本文的RSNI＿FCM算法和这些算法的优劣,通过视觉对比和指标参数的比较来说明RSNI＿FCM优势。