图像分割是机器视觉中至关重要的处理过程。图像分割算法通常分为有监督和无监督两类。其中,有监督的分割算法需要利用标记样本进行训练学习,而无监督的分割算法可以直接对数据进行处理。模糊聚类算法（FCM）是经典的无监督分割算法,但该算法易受图像噪声和异常值的影响。因此,现有的FCM改进算法通过引入空间信息来增强FCM算法抵抗图像噪声和异常值的能力,尽管部分改进算法能达到理想的分割效果,但是其计算复杂度较高,导致不能实现广泛地应用。针对现有FCM改进算法无法同时兼具强鲁棒性和高效率的问题,本文开展了基于多像素拟合模糊聚类的图像分割算法研究。论文主要研究工作如下:（1）针对现有FCM改进算法无法同时具有强鲁棒性和高效率的不足,本文提出了一种高效的基于多像素拟合模糊聚类算法（FCM-MF）。在FCM-MF算法中,创新地定义了包含多像素的滤波窗口及其相应的广义邻域窗口,以及通过多像素拟合同时获取多个像素空间信息的高效过程。利用FCM-MF和现有改进算法在合成图像和真实图像上进行对比实验。实验结果表明,FCM-MF在合成图像上分割结果均优于对比算法,验证了提出的FCM-MF算法的强鲁棒性。同时分割时间少于其中的七种对比算法,验证了提出的FCM-MF算法具有较高的分割效率。FCM-MF算法在真实图像的实验中同样具有高效、快速的分割性能,但是在部分图像的边缘细节有待加强。（2）为了增强FCM-MF算法在图像边缘的分割性能,在FCM-MF算法中引入可变窗口策略,提出基于可变多像素拟合模糊聚类算法（FCM-VMF）。可变窗口策略具体包括以下三个步骤:首先是使用传统的FCM算法获得输入图像的标签;然后得到属于不同类别的像素数与广义邻域窗中所有像素数的比值;最后,将获得的比率的最大值用作指示符,以自适应地减小广义邻域窗口的大小。并将提出的FCM-VMF算法在合成图像和170张真实图像上分别进行对比实验。实验结果表明,FCM-VMF算法在加噪和无噪图像上分割结果的平均DICE指标接近最优的FLICM算法,且分割时间最少,证实了FCM-VMF算法对噪声具有强鲁棒性,同时能够保证高效的分割效率。（3）将提出的FCM-MF和FCM-VMF算法在多张真实图像上进行对比实验,分析FCM-MF和FCM-VMF算法在分割效率和图像细节信息两方面的比较。实验结果表明,两个算法都能够有效去除图像噪声,保证分割效率的同时获得良好的分割结果。其中FCM-MF算法的分割效率会略高于FCM-VMF算法,但在部分图像中的边缘细节区域,FCM-VMF算法的边缘信息会更加完整、准确和可信。（4）拓展FCM-VMF算法到新冠肺炎CT图像。首先,利用FCM-VMF算法对新冠肺炎CT图像进行分割。然后,根据分割结果提取肺部和疑似病变区域。最后,利用labveiw软件将肺部和疑似病变区域提取过程进行系统化设计,得到COVID19CT影像肺部病变诊断系统。在上述过程中,FCM-VMF算法能够快速、有效的提取出新冠肺炎CT图像中肺部和疑似病变的区域,凸显了FCM-VMF算法具有良好的适用性。