图像分割是图像处理和计算机视觉研究领域中的一个经典问题，是图像处理过程中一个极为重要的环节。也是实现图像处理到图像分析之间的关键步骤。目前，图像分割技术已被广泛应用到多个领域，如计算机视觉、模式识别、医学图像处理、航空航天以及卫星遥感等。　　聚类分析作为一种非监督聚类方法，是指将物理或抽象对象的集合分组成为由类似的对象组成的多个类的分析过程，是机器学习领域中的一个重要方向。所谓聚类就是将没有类别标记的样本集按某种准则划分成若干类，使类内样本的相似性尽可能大，而类间样本相似性尽可能小。聚类分析的研究主要以聚类算法为主，聚类算法是有一种有效的图像分割算法，也是目前较常用的分割算法。由于图像本身存在着模糊性和不确定性，而模糊理论可以很好地刻画这种特性，研究者们将模糊理论引入到图像分割技术中，而引入模糊理论的模糊聚类算法为图像分割提供了模糊处理能力，模糊C均值聚类算法是目前应用最广泛的模糊聚类算法之一，但其依然存在一些缺点，如对噪声图像非常敏感，无法有效分割噪声图像。本文针对这一现状，在经典模糊C均值聚类算法的基础上，研究如何提高在处理噪声图像时算法的整体性能，对图像分割中的模糊聚类算法做了深入的研究和探讨，本文的主要工作包括如下:　　(1)介绍图像分割的概念、意义及研究发展现状。　　(2)对模糊聚类理论的基本内容作系统的介绍，简单介绍各类聚类算法，详细阐述硬聚类算法和模糊C均值聚类算法及集中常见的FCM改进算法。　　(3)将Gibbs随机场理论融入到模糊C均值聚类算法中，把像素的Gibbs先验概率以因子形式与像素的隶属度结合，提出一种改进的模糊C均值聚类算法，提高了算法在处理噪声图像时的分割精度。　　(4)在模糊C均值聚类算法的基础上，引入Gibbs随机场和高斯核函数理论，改变了经典模糊C均值算法中的欧式距离公式，在高斯核函数中引入像素的邻域灰度均值信息，提出一种新的改进算法，实现了算法在有效处理图像噪声的同时保留较多的图像细节。