医学图像分割一直是近几年研究的热点问题,由于受到成像设备等外界因素的干扰,医学图像呈现边界模糊,强度不均匀的特点,影响了医生对病情的诊断。因此如何进行快速、有效、准确的图像分割对后续临床分析起着至关重要的作用。由于图像自身的模糊不确定性,一些学者将模糊理论引入图像处理中,利用模糊聚类进行图像分割。其中,模糊C-均值聚类算法(fuzzy C-means algorithm, FCM)应用最为广泛,但是该算法在运行过程中需要提前确定初始聚类中心和聚类数,并且对噪声比较敏感,容易陷入局部最优解。人工免疫算法(AIS)继承生物免疫系统优良特性,具有分布式并行处理,快速收敛性,全局寻优等特点,在诸多领域得到成功的应用。本文结合人工免疫系统和聚类问题进行研究,提出一种新的免疫聚类算法,主要改进如下：1、噪声会严重影响算法的执行效率和分割效果,在进行医学图像分割之前加入改进型的开关极值中值滤波,改进的滤波算法能够有效识别噪声点和有用数据点。通过实验证明,改进型的算法实现了既能去除噪声,同时可以很好的保护图像边缘细节。2、为能够提前确定较为准确的初始聚类中心和聚类数,对灰度直方图通过插值法进行平滑,能够有效过滤伪峰点,进而通过峰值检测得到优秀的初始聚类中心和图像的聚类数,通过多中心组合的方式提高算法准确性,避免陷入局部极值。通过实验证明,改进后的FCM算法更加稳定,分割精度更高。3、对基本克隆选择算法引入抗体种群浓度调节机制,既保证种群不断的向优良的特性发展,又能避免种群过度单一化,有效的保持抗体多样性。再结合高斯变异和柯西变异的特点,提出一种混合自适应变异——高斯-柯西混合自适应变异,能够动态调节变异步长,避免算法陷入局部最优解,进一步提高算法的全局寻优能力。最后充分利用免疫记忆机制,不断保存优秀抗体,替换差的抗体,使得算法不断向良性发展。通过实验测试,改进后的算法全局寻优能力和收敛速度得到有效改善。4、将改进的克隆选择算法优化改进后的FCM算法,再配合改进的滤波算法,与传统FCM算法比较。新算法的抗噪能力、收敛速度、全局寻优能力、分割精度都得到显著提升。