模式分类是机器学习、人工智能等研究领域的重要基础。自模式识别这一学科产生以来多种方法被应用于其中,但是由于实际生活中的多数的分类问题没有清晰的界限,所以人们提出了将模糊理论引入到聚类问题中,并将模糊聚类算法成功的应用于解决模式分类问题。本文主要研究了模糊C均值(FCM)的改进及其应用。文中首先总结介绍模糊聚类的一些基础知识以及常用模糊聚类算法。通过对高维数据的分类,比较了硬C均值、模糊C均值算法的聚类效果和算法性能,并且总结了两种算法的区别与联系。因为希望能将非线性聚类问题简化而引入了模糊核聚类的概念,通过与模糊C均值算法的比较,总结了模糊核聚类的优缺点。模糊C均值一个最广泛的应用就是图像分割。考虑到图像空间邻域信息以及各像素点贡献率的不同,引入了基于加权的模糊C均值聚类算法。通过比较证实了初始聚类中心选取对聚类结果的影响,因此利用灰度直方图信息改进了基于加权的FCM的算法的初始聚类中心选取方式。仿真比较了改进算法与传统FCM的分割效果,证实了改进算法不但大大减少了每次迭代的计算量,并且增强了抗噪声性。根据不同彩色空间的图像分割结果不同的特点,本文选择了更接近人眼识别效果的HSI彩色空间,通过将RGB图像变换获得了H、S、I三个分量。利用基于加权的改进的FCM算法对分量图像的聚类结果获得一个新的彩色图像分割特征。仿真比较证明新方法分割彩色图像取得了更好的效果。由于图像分割一个很重要的应用是作为机器视觉的基础,所以本文介绍了一般机器视觉系统的构成,并构造了一个简易的手背静脉识别采集系统。通过对采集到近红外手背静脉图像进行一系列的预处理,然后运用模糊算法分割与缩放后边缘检测的融合得到了手背静脉图像特征,对比证明了本文方法的改进效果。