随着医学影像技术的快速发展,利用计算机辅助诊断来进行医学图像分割已逐渐成为主流。然而目前医学图像的分割存在很多问题,如核磁共振成像（Magnetic Resonance Imaging,MRI）的噪声干扰、射频强度不均匀、局部容积效应等都会对分割的精准度造成影响,以至于影响医生对疾病的判断。本文通过改进传统布谷鸟算法,利用其优良的全局寻优特性来优化了模糊聚类算法的聚类中心,并在目标函数中引入了抗噪因子,在提升算法在医学图像分割时全局搜索能力和收敛速度的同时,对噪声也有了很好的抑制。主要研究工作如下:1)针对传统布谷鸟算法局部搜索能力不够好、参数设置固定问题,提出了一种基于正弦映射和单纯形法的布谷鸟搜索算法,并对发现概率Pa进行了改进,采用正弦型自适应发现概率来优化算法寻优精度。仿真实验中利用改进算法和其他六种群智能算法在10个测试函数（包括单峰和多峰）下进行寻优实验。实验结果表明,改进算法在寻优精度和收敛速度上都优于其他算法。2)针对模糊聚类算法在分割脑部MRI图像时全局搜索能力弱、易于陷入局部最优的缺点,提出一种基于改进布谷鸟的模糊聚类算法（ICS＿FCM）,利用改进布谷鸟算法强大的全局寻优特性对聚类中心进行了优化,重新编码并设计了鸟窝和布谷鸟种群,并对脑部MRI的T1加权横断面、矢状面和冠状面图像进行了分割。实验结果表明,改进算法的分割效果较好。3)针对模糊聚类算法对医学图像噪声敏感、收敛速度慢问题,本文将邻域空间信息引入到算法的目标函数中,提出一种具有抗噪性的改进模糊聚类图像分割算法（ICS＿FCM＿S1）,利用改进算法分割脑部MRI的T2加权脑出血、脑钙化、脑膜瘤等共六种脑部疾病图像,并与活动轮廓模型结合提取出图像中感兴趣的区域。结果表明,改进算法取得了良好的分割效果,抗噪性也有所提高。总之,本文对传统布谷鸟算法和模糊聚类算法进行了改进,提升了算法的寻优和收敛性能,并对医学图像分割中噪声敏感、收敛慢等问题进行了优化,提升了算法分割精准度,为未来计算机辅助诊断和疾病预筛等领域的研究提供参考。