图像作为人类认识与感知世界的载体,是表达、分析和传递信息的重要途径。基于计算机技术的图像处理方法也越来越受到重视。在图像处理领域中,图像分割技术至关重要,同时也非常具有挑战性。其中,基于模糊聚类的图像分割算法作为目前一种非常典型的方法,已经被广泛应用于医学图像处理、目标物体识别等领域。模糊C均值聚类(Fuzzy C-Means,简称FCM)符合人类认知特点、而且描述简单、易于实现、分割效果好,是模糊聚类算法中最为经典的算法。然而,FCM算法在对图像进行分割时未考虑任何空间信息,导致了该算法对噪声非常敏感。为了解决上述问题,基于从不同的角度考虑像素的邻域信息,许多学者提出了多种改进的FCM算法。这些改进的算法主要是通过修改FCM算法的目标函数或者修改像素与聚类中心相似性的计算方法等方式来引入图像的空间信息,一定程度上提高了FCM算法的性能。但它们仍不同程度地存在如下弱点：(1)需要经过多次迭代才能满足收敛条件,导致算法的效率比较低；(2)在对噪声图像进行分割时,不能很好地消除噪声的影响,无法取得理想的分割结果。因此本文主要研究通过从不同的角度充分有效地利用图像的空间信息,克服FCM算法的问题,提高其分割效果与运行效率。本文的主要研究工作与成果如下：(1)研究了FCM算法以及多种改进的FCM图像分割算法包括融合空间信息的FCM_S算法和基于空间函数的SAFCM算法等,通过比较和分析上述算法对不同图像的分割结果发现,这些改进的FCM算法一定程度上提高了传统FCM算法的分割质量,但依旧存在一定的局限性。(2)提出了具有抗噪性的快速FCM图像分割算法。该算法重新定义了像素与聚类中心的距离,并在此基础上修改了FCM的目标函数。同时,构造了一个结合了邻域像素的模糊隶属度以及与聚类中心灰度相似度的空间函数。在每一次迭代过程中,首先基于新的目标函数计算出像素的模糊隶属度,然后利用新构造的空间函数更新像素的模糊隶属度。通过比较该算法以及其它改进的FCM算法对不同图像的分割结果可以发现新提出的算法能够经过较少次数的迭代取得理想的分割结果,并且很好地消除了噪声的影响。(3)提出了另一种改进的具有抗噪性的FCM图像分割算法。该算法为图像中的每个像素引入了一个融合了其邻域像素的模糊隶属度、与聚类中心的灰度距离以及与中心像素的相对空间距离的邻域项,并将其引入FCM的目标函数中。通过比较该算法与其它改进的FCM算法对不同图像的分割结果发现新提出的算法一方面提高了算法的抗噪能力,另外一方面能够很好地识别出灰度差异较小的图像中的目标物体,得到理想的分割结果。