图像分割是计算机视觉和模式识别中最具挑战性的研究课题之一,是将图像分成若干个具有独特性质区域的过程,分割的好坏影响着后续处理的效果。随着研究的深入,学者们提出了大量的图像分割算法。其中,基于模糊聚类的图像分割算法最为经典,它结合了模糊性质以及聚类理论表达出较好地结果,现已广泛应用于多个研究领域。由于模糊C均值聚类（Fuzzy C-mean clustering,FCM）算法聚类中心与局部邻域信息的迭代存在重复距离计算,导致局部空间信息的合并计算复杂度较高,算法耗时长。像素和隶属度的空间邻域信息缺失,以及像素的邻域窗口常规化不能够表达图像的真实局部空间结构,导致分割效果不佳。针对上述问题,学者们提出了多种解决方案。本文围绕FCM的改进思路做了如下工作:首先,介绍了标准的FCM算法理论基础,分析了其与模糊聚类的优缺点,并着重介绍了近几年改进的FCM算法。通过总结算法,本文对基于超像素的FCM图像分割算法进行深入研究。其次,介绍了常用颜色空间的优缺点以及超像素图像的获取方法,针对其分水岭超像素算法存在的缺点,将通过自适应形态学重建梯度图像克服过分割对其改进,在去除无用极小值的同时保留有意义的细节,以便获取轮廓精确地超像素图像。将其作为FCM算法的预处理步骤既提供了自适应局部空间邻域,又简化了原始图像。最后,针对FCM算法采用欧式距离衡量超像素之间相似性的缺点,在其目标函数中引入了超像素图像的颜色信息以及可以改进高维数据分类的隐马尔科夫随机场,能够更好的衡量聚类中心与超像素区域之间的相似性,将其作为模糊性的衡量准则从而提高聚类效果。本文从真实图和合成图的实验中分析得到,该改进算法在保留目标细节的同时提高了聚类效果,在加噪的合成图中体现出了较好地抗噪性能,并能够在很短的时间内完成分割。总之,该算法在分割效果、抗噪性能以及运行时间方面都达到了预期的结果。