模糊聚类因其能较好地将具有不确定性的样本点分类，从而在图像分割中有着广泛地应用。本文对模糊聚类中最为经典的方法—模糊c均值算法进行了研究，并对它进行了改进和优化，同时通过实验验证了方法的有效性。首先，标准FCM算法中聚类数的确定是整个算法能执行的必要条件，一般是人凭经验主观给定的。有学者利用灰度直方图波峰的个数来确定聚类数，但是由于噪声的因素，各像素点确切地属于某一灰度值是不能确定的，这就可能引起误差。因为模糊理论能描述各点属于某一灰度值的程度，所以本文提出对灰度图像采用模糊直方图，对彩色图像采用模糊Histon直方图的思想。其次，对于灰度图像，标准FCM算法只利用图像的灰度信息，抗噪性差。Chen结合灰度信息和空间信息，对目标函数进行了改进。Chen的方法认为空间中像素点对中心像素点的贡献是一样的，但事实上各像素点对中心点的贡献是不同的。针对这个问题，本文提出修正的SFCM算法（MSFCM），使得分类更为有效。再次，标准FCM算法距离的定义是欧式距离的，对球形结构的样本效果较好，而对非球形结构的样本效果较差，所以本文考虑利用核函数的思想，并结合空间信息，使聚类样本映射到高维空间中增加可分性。最后，本文将MSFCM算法应用于基于Lab彩色空间的图像中，并分析了算法中参数的变化对Lab彩色图像的分割质量影响。