图像分割将图像细分为构成它的子区域或物体。分割的目的是把特定的目标从复杂的图像中抽取出来,是图像识别,图像理解以及图像分析的重要依据。随着技术的发展图像分割已经广泛的使用在众多领域,如医学图像处理,人脸识别,交通道路分析等,分割的好坏直接影响后续工作的有效性。因此,越来越多的学者研究各种相关的图像分割算法,模糊理论能很好的描述图像的特征,在图像分割中得到深入研究。其中,最流行的分割方法是模糊分割聚类算法,经过无数的学者研究与探讨,已经提出了很多种改进的算法,但是FCM算法本身存在一些不足,如对初始聚类中心敏感,容易陷入局部最优的问题,对空间位置信息应用不充分,抗噪性不强,以及聚类数目需要人为指定的问题,需要改进优化,本文就是对FCM算法的本身的一些问题进行的优化和探讨。本文对上述问题进行研究分析,并结合主流的智能群体优化算法,提出了改进的方法,提高算法分割效率。本文主要工作如下:(1)针对FCM算法初始聚类中心敏感问题,提出了一种基于自适应步长的萤火虫算法优化模糊均值聚类算法做图像分割,算法利用萤火虫算法的快速搜索全局最优的特点,来寻找FCM的最优初始聚类中心点,但是萤火虫算法由于固定的步长,也会出现跳跃最优的问题,因此,本文在引用萤火虫算法的同时,又引入自适应步长控制函数,尽可能的避免跳过全局最优问题。自适应步长可以根据算法迭代的次数大小,动态调节步长大小,使得算法步长随着迭代次数的加大,步长减小,通过实验对比优化后的算法,分割的效果更佳,并对萤火虫算法进行分析,对其中的种群数目对于算法的影响进行分析,通过实验仿真来说明了在一定范围类萤火虫算法的种群数目对算法收敛速度有比较大的影响。(2)针对聚类数目不能确定和聚类稳定性问题,提出了一种改进的密度峰值聚类算法来确定聚类数目,算法利用DPC算法具有自动确定聚类数目的特点,机器选择聚类簇的数目,让聚类更加智能,但是DPC算法并没有充分利用图像的位置信息,所以本文采用了菱形邻域的聚类来替代原来的像素点的距离。改进后的算法在自动确定聚类簇数目上具有克服人为确定聚类数目的稳定性上具有很好的效果。