图像分割是指把图像分解成各具特性的区域并提取出有用目标的技术和过程，它是由图像处理到图像分析的一个关键步骤，在图像工程中占有非常重要的位置，并且已在诸如计算机视觉、图像编码、模式识别和医学图像分析等很多领域有着实际的应用。根据图像自身存在许多不确定性和不精确性，人们发现模糊理论对于图像的这种不确定性有很好的描述能力，而图像分割问题恰好是将图像的像素点进行分类的问题，近年来一些学者致力于将图像聚类应用于图像分割中，效果要好于传统的图像分割方法，但是经典的模糊聚类分割方法仍然存在一些问题。因此，本文首先阐述了图像分割的定义和现有的几类图像分割算法，然后以模糊聚类理论为基础，以数据集的划分引出了硬C均值算法和模糊C均值算法，接着针对聚类分析中最普遍的模糊C均值聚类算法在图像分割应用时的不足之处进行了如下改进：(1)采用自适应中值滤波的图像平滑去噪声方法构造了二维直方图，并结合加权模糊C均值聚类算法和塔型分解的多尺度分辨率思想，提出了一种改进的图像快速分割算法，即基于二维直方图加权的塔型模糊C均值聚类算法，这一改进算法提高了标准模糊C均值聚类算法的分割速度并降低了分割对噪声的敏感程度。(2)通过塔型模糊C均值聚类算法的聚类有效性评价函数，即修正划分模糊度，实现了图像分割中较佳类别数C的确定。此外，还研究了模糊C均值聚类算法中加权指数m对分割效果的影响，得出了图像特征与参数m的选取之间的内在联系以及m与速度之间的关系。(3)从邻域隶属度约束的角度出发，提出一个新的聚类目标函数，得到基于邻域隶属度约束的模糊C均值聚类图像分割算法。将该算法用于图像的分割实验，实验结果表明了随着惩罚项系数的取值不同，对图像分割产生的效果也会不同。