图像是对客观对象的一种相似的、生动的描述,是人类用来获取、表达和传递信息的重要手段,约有75%的信息是以图像的形式呈现在人们面前。为了有效的利用图像中的信息,需要将关键的部分从图像中提取出来,然后才能加以测量、分析等。可见图像分割结果直接影响后续的图像分析和理解。然而由于各个行业使用的图像具有不同的特性,导致现在没有一种图像分割方法对所有的图像都适用,所以,研究人员尽可能多的提出不同类型的分割方法来满足实际的分割要求。因此,图像分割方法仍然是图像处理领域研究的重点内容。目前,图像分割方法的改进策略主要分为两种:一是从算法自身出发,通过更新数学表达式或者添加新的约束条件来改进自身的不足;二是借助新理论和新方法提出新的图像分割方法,或者新理论与现有的分割方法相融合产生新的图像分割方法。模糊C均值聚类(Fuzzy C-Means,FCM)算法就是其中典型代表,因其能很好的解决图像像素分类的不确定性问题,而得到广泛的关注和研究。本文对FCM算法进行了深入研究,针对FCM算法的不足提出了改进的策略,本文所做的主要工作如下:首先,针对FCM算法对初始聚类中心敏感的缺点,利用量子粒子群优化算法搜寻最优解,解码全局最优解作为FCM算法的初始聚类中心。粒子群优化算法全局寻优能力较强,但容易陷入局部最优,为此借助量子理论,将粒子“量子化”,通过量子旋转门来更新粒子移动,利用量子非门来增加种群的多样性,改善粒子群优化算法的局部搜寻能力,增强算法的全局寻优能力。通过实验仿真,表明改进算法具有较好的分割效果。其次,针对FCM算法对噪声敏感的缺点,提出一种自适应加权空间信息的FCM算法来改善其抗噪性。通过自适应加权系数来降低噪声数据对其中心数据的影响程度。为此,引入空间约束项,重新定义目标函数,并进行了推导,求取聚类中心和隶属度矩阵的更新表达式。通过仿真实验,表明改进的算法有着较好的噪声抑制能力。最后,本文将改进的FCM算法应用到道岔缺口图像的分割中。针对道岔缺口图像灰度较暗,易受到噪声的影响,首先利用量子粒子群优化算法寻找FCM算法的初始聚类中心,然后利用具有较强抗噪性的自适应加权空间信息的FCM算法完成对道岔缺口图像的分割。通过实验仿真,改进的FCM算法分割出的关键部分较为完整,为后续道岔缺口偏移量的测量奠定了基础。