图像分割是模式识别和计算机视觉中的一个经典问题,尤其在图像处理、分析和理解等领域中是一项关键技术,其分割结果的好坏直接影响到视觉系统的性能。由于成像中各种因素的影响,使得待分割图像的目标与背景之间一般带有一定的相似性和不确定性,而模糊信息处理技术特别适合此类问题的解决,因此在图像分割中得到了十分广泛的应用。基于以上原因,本文研究了以模糊聚类理论为基础的,在图像分割中颇为流行的模糊均值聚类算法,并针对其在图像分割应用中的不足之处进行了改进和革新。主要研究成果可归纳如下:首先构造了两种二维直方图,并结合加权模糊均值聚类算法和塔形分解的多尺度变分辨率思想,提出了一种新的图像快速分割算法——基于二维直方图加权的塔形模糊均值聚类算法,这一新算法提高了标准模糊均值聚类算法的分割速度并降低了分割对噪声的敏感程度。其次,提出了基于新算法的聚类有效性评价函数——修正划分模糊度,实现了图像分割中最佳类别数的自动确定。此外,深入研究了模糊均值聚类算法中加权指数m对分割效果的影响,得出了图像特征与参数m的选取之间的内在联系以及m与分割精度、速度之间的关系等有意义的结论。最后,为了提高分割结果的准确性,引入图像中的空间信息约束,实现了模糊c均值聚类分割算法的鲁棒性研究。实验结果表明了本文所提出的自动图像分割算法的有效性、参数选取的正确性以及分割结果的准确性。