图像分割是将一幅图像以不同的条件划分为不同区域的操作,灰度、颜色、纹理和形状等图像特征就是划分条件,划分的同时要使不同区域中的特征相似度较低,而在同一个区域中的特征相近。近年来人们不断深入的研究图像分割问题,提出了不同的方法来解决此问题。在对图像进行分析时,环境条件的好坏时刻影响着图像处理的结果,这些环境因素包括光照、噪声、甚至气候,所以在使用图像时一定要注意图像的采集环境。一般情况下,分割时只对图像中的某些区域进行处理,因为这些特定位置的信息才是想要获取的目标,这些位置可以被称为目标或前景。图像分割所要做的工作就是将它们从图像中分离以便于后续处理。模糊聚类分析技术凭借着其无监督分类的特点在图像处理这一问题中取得了广泛应用,相比较于其他算法,模糊聚类所得到的结果优于其它算法。模糊聚类分析方法中使用最多的是模糊C均值聚类算法(FCM,Fuzzy Cluster Means)。但FCM算法的缺点也非常明显,在处理的数据较大时聚类过程就会变得难以控制,同时噪声会降低算法的准确度,初始值的错误选择会影响算法迭代的速度并使算法陷入局部最优。本文中对模糊聚类方法的权值进行了改进并使用粒子群算法对其初始值进行了优化,结合灰度直方图和马氏距离对聚类加权指数进行改进,同时引入空间信息和高斯核函数来改进算法隶属度函数,使其能更加有效地分割图像。在进行工业品生产时,一些工业品往往会存在缺陷,如划痕、斑点、缺损等。因此缺陷检测必不可少,工业产品缺陷图像检测成为产品投放市场前的一个重要环节。在此过程中图像分割就是其中的重要一环,本文通过研究已有的各类模糊聚类图像分割方法,结合粒子群优化算法拟提出一种改进的FCM(Fuzzy Cluster Means,模糊C均值聚类方法)图像分割方法,并使之更好的应用于工业品缺陷图像的分割。