图像分割是一种重要的图像技术,其本质是像素聚类问题,它是将图像不同区域按照特殊涵义划分,并且不同区域是互相不相关的,每个特定区域具有一致性。随着模式分析与机器智能技术不断发展,图像分割引起了众多学者的广泛关注与研究,已成功应用于模式识别、机器学习、对地遥感观测、生物医学等领域。由于图像来源千差万别且结构复杂多变,未有普适性的分割模型和方法,针对不同类型图像提出了相应的分割方法,以便获得满意的分割效果。聚类技术在目前来看是研究较为广泛的图像分割算法中较为普遍应用的一类方法,长期以来备受相关领域学者高度重视。在众多聚类技术中,模糊C-均值聚类算法(FCM)是一种采用迭代法实现样本归类的快速且存储空间消耗少的重要方法,已成为解决图像分割问题较为实用的分割技能。但是,由于该聚类分割算法没有考虑到像素与其邻域像素之间的相关性,不利于像素空间分布较为复杂的遥感和医学等图像分割需要。后来,学者们提出了大量其他模糊聚类分割算法,但是该类分割算法大多是将样本点到聚类中心的距离即类内距离作为算法的测度,但该类分割算法只考虑了类内之间的距离,没有考虑类间的距离,使得对于某些图像的分类不够准确,且噪声较大。因此,本文研讨了基于类内类间距离的FCM算法及其对于图像分割的应用。主要工作如下：1.针对以样本与聚类中心之间类内距离为基础的模糊C-均值聚类方法存在的不足,通过融入聚类中心之间的类间距离且提出一种类内和类间距离相结合的FCM算法且将其应用于图像分割。该算法在目标函数中将类内距离与类间距离之差作为样本聚类依据,使其不仅考虑到类内紧密度而且同时也考虑到类间离散度,通过调节有关参数使得类内紧密度和类间离散度均达到最优值,从而提高了图像分割的准确性和鲁棒性。通过大量不同种类图像分割测试结果证实,该文所提出的新类内类间聚类分割方法是有效的,尤其是对于噪声较大图片进行分割时,其效果明显优于其他模糊聚类方法分割效果。2.为了进一步提高噪声图像分割的抗噪性和准确性,提出一种结合类内距离和类间距离的改进可能聚类新方法并且将它运用到图像分割中。该算法采用可能测度描述隶属度,避免了FCM算法中要求样本点对于每个类的隶属程度的总和值为1的概率约束,使其隶属度适用于表征“典型性”和“兼容性”,且将类间距离引入聚类目标函数使得类内紧密度和类间离散度均达到最优化,以便对不同的聚类结构有很好的稳定性和抵抗噪声的能力。通过人工合成图像和实际遥感图像分割测试结果表明,该文所建议的改进可能聚类算法是有效的,相比其他聚类算法能获得更满意的分割效果。3.针对现有模糊C-均值聚类方法仅考虑样本与聚类中心之间差异程度的不足,提出类内和类间距离相融合的FCM算法并将其应用于图像分割。首先将欧式空间的类内和类间距离相结合设计一种新的样本聚类测度并构造了相应的FCM目标函数；其次利用拉格朗日乘子法获取其迭代求解所对应的隶属度和聚类中心表达式,并对其收敛性问题进行了研究；再次将其推广至再生希尔伯特核空间并获得核空间的类内类间距离FCM算法；最后将其用于图像分割并给出其快速分割算法。通过实验表明,该文所提出的基于类内和类间距离的核空间FCM分割算法对于图像分割具有较强的鲁棒性和准确性,对比其他聚类分割算法能得到较满意的结果。