云模型是在概率论和模糊数学基础上提出的一种从自然语言值表示的定性概念到表征定性概念的定量数据之间的不确定性映射，它根据表征模糊性事物本身特征的客观数据进行建模，具有定性概念与其定量表示之间的不确定性双向转换功能，在处理不确定性问题的过程中能更好地兼顾模糊性与随机性。本文针对云模型中的基本理论问题展开研究，详细分析了云模型的雾化特性，以及云滴定量数据的分布性质。在此基础上，分别研究了逆向云模型算法、云混合模型、以及上述理论分析结果在彩色图像处理中的应用问题，主要内容如下：(1)针对原有云模型理论云滴离散程度度量方法未考虑云分布概率密度函数对于熵与超熵关系的约束，从而导致不能有效度量云滴离散程度的问题，提出了度量云模型云滴离散程度的参数—雾化因子，克服了原有度量方法的缺陷。在此基础上，从云分布数字特征、云滴离散程度、云滴密度三个方面研究了雾化因子对云滴分布特征的影响。(2)利用云分布的四阶原点矩提出一种无确定度逆向云模型新算法，不同雾化因子和云滴数量的对比实验结果表明所提算法在对云模型数字特征估计的准确性与稳定性方面优于现有算法。(3)根据高斯混合模型的原理，利用云模型云滴定量数据服从云分布的特点，以及云模型定量数据与定性概念之间的转换关系，提出了云混合模型，很好地解决了数据类簇间的模糊聚类问题，给出了一种新的云模型建模方法。通过将该算法应用于彩色图像聚类分析，结果表明算法性能优于同类的GMM、FCM、K均值聚类算法,从而拓展了云模型在模式识别领域中的应用范围。(4)根据云模型信息粒化的原理，将粒计算理论与二维云模型相结合，提出了一种基于云模型的彩色图像半监督聚类分析算法，并将之应用于仿生机器鱼视觉系统，效果良好。