医学图像分割在医学影像分析中正在发挥着日益重要的作用，它是医学图像处理和分析领域的基础性经典难题。本论文以基于模糊聚类的医学图像分割方法为研究重点，详细地分析了其原理和发展现状。论文的主要工作和创新点包括： 1．将医学图像分割方法归纳分类为基于阈值的分割技术、基于边界的分割技术、基于区域特性的分割技术和结合特定理论工具的分割技术四类，并运用其中部分算法对MRI医学图像进行了实验。 2．针对传统的模糊核聚类算法鲁棒性差的缺点，提出了一种结合Markov随机场的改进的模糊核聚类图像分割算法。模糊核聚类方法不考虑图像像素与其邻域内其它像素的相关性，因而对噪声非常敏感。利用Markov空间约束场对模糊核聚类算法施加空间约束，可有效性增强算法的鲁棒性。在MRI医学图像分割实验中，对脑白质、脑灰质和脑脊液的分割实验结果表明，本文算法比改进前显著地降低了误分率。 3．提出了一种自动分类的加权模糊C均值图像分割算法。传统的加权模糊C均算法(WFCM算法)的分类数需要由人工确定。为了提高算法的自动化程度，本文提出采用基于直方图平滑的峰点检测方法来自动确定分类数和初始化聚类中心，然后再利用WFCM算法分割图像，以此来实现WFCM算法的自动分类。经五十余幅图像的分割实验，表明本文算法能够自动地确定图像的分类数，可对WFCM算法进行初始化，从而在保证分割质量的前提下提高了分割的自动化程度。