人类超过百分之七十的信息由视觉系统获取,而视觉系统获得的都是图像信息,因而图像在人类感知中扮演着重要的角色。作为计算机视觉领域里的经典难题,图像分割从二十世纪七十年代起就备受关注,并在农业、工业、医学、交通、气象、军事等领域得到了广泛应用。彩色自然图像是计算机视觉领域的主要研究对象,也是生活中最常见的图像,对其分割方法的研究具有很高的实用价值。在此背景下,本文结合模糊理论对彩色自然图像分割问题进行了系统研究。主要研究内容如下:首先,本文通过对从RGB转换到XYZ再到Lab这一过程的分析,推断出从RGB转换到XYZ的系数矩阵的行和与从XYZ转换到Lab的三个参数0X、0Y和0Z之间对应存在100倍的关系。然后,为了解决直接将PCA应用于自然图像分割时抗噪性差的问题,本文通过在PCA中引入空间邻域信息,提出了基于空间邻域信息的可能性聚类算法(PCA-S),该算法采用基于类别域的滤波技术,可以在保证边界像素点不受影响的前提下,有效地识别和更正被噪声污染的像素点。但由于PCA-S对初始聚类中心敏感,所以还需要和其它能确定初始聚类中心的算法相结合。接着,为了解决MC-FCM运行效率低下、对噪声十分敏感等问题,本文充分利用PCA-S对MC-FCM进行优势互补,提出了基于多中心的可能性聚类算法(MC-PCA-S)。改进算法通过在各层减法聚类中使用不同的邻域阈值以及在链接算法中引入记忆,使得算法的计算速度大幅提升。另外,抗噪性仿真实验表明,改进的算法抗噪性更强。最后,本文用MC-PCA-S对自然图像数据库BSDS500中的图像进行了分割仿真实验,并与MC-FCM进行了对比。其中MC-PCA-S的平均F-测量值为0.7007,远优于MC-FCM的平均F-测量值0.5949,从而证明了改进算法的有效性。