图像分割方法，作为高级感官信息处理的前提以及连结低视觉和高视觉理解的纽带，是进行目标识别、运动估计、场景重构的基础操作。对例如地物、纹理等包含着大量的信息图像的处理，更是在卫星遥感、医学等领域中的图像分析过程中广为应用。在对图像特征进行建模描述前，选择适当的方法模型至关重要。由于模糊C均值聚类方法自身所具备的健全理论基础和自动分割特性，可针对具有不确定性或模糊性特点的地物或纹理图像进行有效的分析。本文基于模糊C均值(Fuzzy C-Means，FCM)聚类算法，针对算法速率、抗噪性以及在纹理分割领域的应用，提出了不同的分割模型，全文分为三部分：
　　首先提出了一种基于初始化参数改进的FCM图像分割方法。针对FCM算法随机生成初始聚类中心的不足，提出了基于图像灰度直方图峰值域的FCM聚类中心初始化方法；在一维直方图加权的基础上引入像素点与其邻域间相关的空间信息，生成二维直方图加权系数。将聚类中心初始化方法与二维直方图加权系数与FCM模型结合，通过条件迭代获得分割结果。实验选取遥感及医学图像作为对象，将提出的算法与FCM算法和直方图加权FCM对比，证明了方法在分割速率及分割精度上表现更优。
　　然后针对基于初始化参数改进的FCM算法及基于核函数FCM算法对噪声敏感及算法收敛时间过长的问题，将二维直方图加权系数与到基于高斯核函数的FCM分割方法相结合，构成基于二维直方图加权的高斯核FCM图像分割模型(2DWGKFCM)。在将2DWFCM方法中里整合高斯核之后，使得2DWGKFCM模型在继承2DWFCM算法分割速率及聚类效果的前提下，具备了更优的分割精度及抗噪性。实验对遥感图像进行了分割算法对比，结果证明了本文算法相对于核函数FCM及直方图加权FCM方法具有更高的分割速率，在噪声环境中也能发挥和保留更好的可识别性与分割精度。
　　最后提出了基于局部二进制模式(Local Binary Pattern，LBP)的FCM纹理分割方法(LBPFCM)对进行实验。LBP方法虽然在纹理分割中具有高度的区分能力且有利于后续的图像分析处理，但结果肉眼识别度较难，分割结果是不能令人满意的。基于纹理图像的不确定性及模糊特性，将FCM方法与LBP结合建模，并采用基于灰度共生矩阵的纹理特征统计量对LBPFCM分割结果进行定量分析。试验结果表明在自然纹理图像及不规则岩石加噪纹理图像的分割上，LBPFCM方法从分割精度上更具有效性与合理性。