图像分割的研究自20世纪70年代起一直受到人们的高度重视，是图像技术研究的热点和焦点。图像分割在实际中已得到广泛的应用，几乎涉及有关图像处理的所有领域，应用于这种类型的图像。图像分割通常是为了进一步对图像进行分析、识别、跟踪、理解、压缩编码等，分割的准确性直接影响后续任务的有效性，具有十分重要的意义。模糊C-均值(FCM)聚类分割算法是基于对模糊目标函数的优化基础上的一种数据聚类方法，主要目的在于将向量空间的样本点按照某种距离度量划分成c个子空间，聚类的结果特征是一个数据对聚类中心的隶属程度，该隶属度用一个数值来表示。但是FCM聚类算法本身也存在一定的缺陷。一方面FCM的抗噪功能或者说鲁棒性较差，利用FCM算法进行图像分割时仅利用了灰度信息，而没有考虑像素的空间信息，因而分割模型是不完整的，造成FCM算法只适用于分割噪声含量很低的图像。另一方面，FCM聚类分割方法容易造成对图像的过分割。本文从图像像素的空间信息和灰度关联性对图像进行分割，主要涉及两个方面的内容：一提出一种改进的FCM聚类算法。在快速的FCM聚类的基础上，运用邻域像素的灰度相似度和聚类分布统计来构造新的隶属函数，对图像进行聚类分割。该方法不仅有效地抑制了噪声和伪斑点的干扰，而且把错分类的像素很容易的纠正过来。对三种类型的含噪图像的实验结果表明该方法对噪声具有很强的鲁棒性和对像素聚类的正确性。二对低对比度噪声图像进行分割。首先去除噪声、增强对比度，运用了粗集理论的分类知识，对图像进行合理的分类，有效滤除图像噪声的同时，保留了图像的弱边缘细节。对边缘两侧的像素进行局部的模糊增强，视觉效果得到了明显的改善。然后用快速的FCM聚类算法和同组原理相结合的方法对增强的图像进行分割，和FCM聚类算法进行比较，图像没有出现过分割的现象，取得很好的分割效果。