图像分割是成功进行图像分析，理解与描述的关键技术之一，在众多的图像分割算法中，使用得最普遍的算法是模糊C均值聚类算法(Fuzzy C-Means clustering, FCM)。但是，FCM算法也存在许多不足之处，如何有效的使用聚类算法实现实时自动快速高质量的图像分割仍然是极其重要并尚待解决的问题。
　　本文主要针对模糊C均值聚类算法对于噪声敏感，依赖初始聚类中心，仅仅利用了图像的灰度信息而忽略了像素的空间信息等问题展开研究和讨论。在此过程中，本文的主要创新体现在以下几方面：
　　（1）提出基于空间相似度距离的加权模糊C均值聚类图像分割算法。针对基于标准FCM的图像分割方法对图像噪声和灰度不均匀敏感这一局限性，将空间相似度距离与加权思想相结合，改进了聚类算法的目标函数。新算法利用了像素的邻域空间信息，提高了图像的分割精度，并且具有较好的抗噪性。
　　（2）提出了基于混沌粒子群的模糊核聚类图像分割算法。借助混沌运动具有遍历性、随机性等特点，结合粒子群算法的寻优特性，对模糊核聚类算法进行改进，避免了算法因对初值敏感而陷入局部最优值。新算法不仅得到较好的分割效果,且具有良好好的实时性和鲁棒性。
　　（3）提出了基于空间信息模糊聚类的支持向量机图像分割算法。将图像的空间分布信息作为支持向量机的特征分量，并用模糊聚类获得的分类结果作为支持向量机的初始训练样本，对图像的所有像素点进行分类，以此获得图像分割。实验表明，该方法获得的图像分割效果较好，并在一定程度上解决了特征维数过大所导致的维数灾难问题。