图像分割是由图像处理到图像分析的一个关键性步骤,也是一种基本的计算机视觉技术。其分割结果的好坏直接影响图像处理系统高层模块的性能,如：分析、理解和识别等。因此,图像分割的研究具有非常重要的意义。在众多图像分割方法中,基于像素分类的模糊c均值(Fuzzy c-means,FCM)聚类图像分割方法已经得到了广泛深入的研究,并逐渐成为图像处理研究领域的一个分支,其效果要好于传统的图像处理方法。但是,标准的模糊聚类分割方法仍然存在一些不足。首先,该方法没有考虑图像中所固有的模糊信息,对噪声比较敏感；其次,由于图像像素空间较大,使得该算法的迭代运算时间较长。因此,如何有效地利用空间信息,提高分割质量,同时又不至于大幅增加计算量是一个很有意义的研究课题。本文针对基于模糊C均值聚类的图像分割方法中存在的不足之处进行了如下改进：(1)本文提出了一种基于高维特征矢量与金字塔结构的模糊聚类图像分割方法。该方法不仅利用了图像所固有的模糊信息,而且也利用了图像像素点的灰度信息和邻域空间相关信息,给出了三维特征及多尺度分析的聚类分割方法。实验结果表明,在图像受高斯噪声干扰的情况下,该方法不但运行速度较快,而且具有更好的分割效果。(2)标准的FCM算法对大数据样本集进行聚类时极为耗时,而且对噪声比较敏感。针对其缺点,提出了一种基于三维直方图加权的模糊聚类图像分割方法。该方法不仅考虑了图像像素点的灰度信息和邻域的均值信息及中值信息,且考虑了样本空间中不同的样本点对分类的贡献不同。实验结果表明,该算法满足了图像分割有效性和实时性的需求。