随着现代科学技术的进步和蓬勃发展,人们获取的信息方式也日新月异。图像信息是人类了解世界,接收信息的重要形式之一。为了进一步处理所获得的图像信息,满足不同需求,需要使用图像分割技术。图像分割是计算机视觉领域的主要问题,对后期图像数据处理和分析十分关键,在图像处理领域意义十分重大。模糊C均值聚类算法(Fuzzy C-Means Clustering Algorithm,FCM)是典型的模糊聚类算法,由K-means算法发展而来,应用十分广泛。Yanhui Guo等针对FCM算法的缺点,结合中智理论的概念,提出了中智模糊C均值聚类算法(Neutrosophic C-means Clustering Algorithm,NCM)。本文主要基于模糊C均值聚类算法(FCM)和中智模糊C均值聚类算法(NCM)展开了研究,针对上述算法的缺点进行了优化和改善。本文研究工作主要有:首先,针对FCM算法需要人工选定聚类数目,容易陷入局部极小值,易受噪声干扰的问题,本文在经典FCM算法中融合小波变换,粒子群算法,各向异性滤波与有效性函数的概念,提出了基于小波变换和粒子群的自适应FCM方法(IWPSOFCM)。通过小波分解和各向异性滤波得到初步去噪图像;通过粒子群算法寻找最优解,提高收敛速度;通过有效性函数判断聚类数目,实现自适应分割。最后通过对比实验,证明该算法对噪声图像有较好的分割效果。其次,在上文IWPSOFCM算法中引入空间邻域信息,融合FGFCM算法,提出了IWPSOFGFCM算法,提高算法的鲁棒性。通过对比实验,证明该算法对噪声有更强的鲁棒性。最后,针对NCM算法的不足和局限性,本文在NCM算法中引入模糊局部信息,噪声距离和分层聚类的概念,使得该算法不需要人为选定参数,对噪声有一定的鲁棒性。通过一系列对比试验证明了算法对含噪图像具有更好的分割结果。