医学成像技术已经广泛应用于各个医疗环节。医学图像分割作为各种后续图像处理的基础，已成为医学图像处理中的关键步骤。本文研究基于模糊聚类的模糊C均值算法对医学图像的分割。该算法通过迭代隶属度矩阵和聚类中心来优化目标函数，最终实现对图像的分割。该算法不需要人工干预，且具有良好的收敛性。但是该算法仅利用到了像素的灰度信息，没有结合像素灰度值之间的空间信息，因此受噪声影响较大。本文首先对现有的分割方法进行分类介绍。然后从模糊聚类入手，在介绍了算法思想并针对模糊C均值算法的优缺点进行分析后指出了该算法的三个改进方向。为了评价算法的分割效果，本文还引入了四项定量指标。本文通过将空间信息与原始算法相结合提出了两种改进方法。一种将空间信息应用于隶属度矩阵平滑过程中的聚集系数；另一种将空间信息引入目标函数的罚项当中，并用快速模糊C均值算法初始隶属度矩阵和聚类中心。最后将改进算法应用于脑部核磁共振图像，通过对仿真结果的对比以及定量指标的评价，验证了提出的改进算法的有效性和抗噪性都有所提高。