系统模糊建模是现代控制理论的一个重要分支,已在各个领域广泛应用,并不断取得新成果。模糊建模是通过输入输出测量数据,对模糊模型中的结构和参数进行的辨识,从而对非线性系统进行描述。图像分割的目的是根据色彩、纹理、灰度和运动等特征把图像划分成视觉上有意义的、具有相似属性的一些区域,图像分割的用途几乎涉及有关图像处理的所有领域。本文首先研究了模糊建模的发展过程,并围绕着改进的模糊聚类算法在模糊建模、图像分割中的应用展开讨论和研究。针对最近邻模糊聚类算法可以克服聚类中心的任意初始化这一问题,以T-S模糊模型及非线性混沌动力系统为研究对象,对模糊聚类算法进行改进,通过引入局部划分关联度因子,平滑每组输入样本向量,并通过一系列的步骤优化T-S模糊模型结构,描述动态系统的特性,提高了系统建模的鲁棒性、建模精度和建模速度。针对普通模糊聚类算法模糊建模模型精度低速度较慢以及用于图像去噪及分割质量较差的问题,引入空间限理论知识,通过邻近样本点平滑样本中心点,达到去噪效果,提高了混沌动力系统建模与图像去噪及分割的精度与速度。最后对递阶模糊聚类进行了进一步改进,通过引入高斯核函数,平滑图像及非线性系统输入样本降低噪声带来的干扰。该方法可以使某点图像像素值与其周围的像素点建立关系,提高了混沌动力系统模糊模型建模与图像去噪及分割速度。