医用超声图像因其即时性、无损性、可重复性好和灵敏度高等优点,而广泛应用于临床治疗和诊断中。在需要提取特定组织器官的信息时,不可或缺的手段就是超声图像分割。通过对图像的分割,可以从医用超声图像中分离出需要的解剖结构,或定位出病源体的位置及形状,这些操作常常直接决定着后续进一步分析治疗的的准确性。但是由于医学超声图像固有的斑点噪声、器官组织相关的纹理和不确定性的特点,使图像进行分割时还达不到临床应用上的要求,这使得图像分割一直是一个难题。本论文首先总结了图像分割在图像工程中的重要地位,阐述了医学超声图像分割的研究意义和发展现状,并对国内外在粒子群算法以及模糊C-均值聚类算法的研究进行了概述。模糊聚类算法是一种结合了无监督的聚类和模糊集合概念的技术,它采用人类认知中的模糊性进行归属判别,已被广泛应用于图像分割,但它的缺点是极易收敛到局部极小值。鉴于此,本文受最新的智能计算中的粒子群算法所启发,尝试使用一种改进的粒子群算法来解决这个缺陷。所提的算法能在原有粒子群算法的基础上使其在迭代后期能更稳定和快速地收敛,人们尝试将将改进后群体智能的粒子群优化算法融入于模糊C-均值聚类算法。本文集合粒子群优化算法(PSO)的全局搜索能力强和模糊C-均值聚类算法(FCM)的局部搜索能力强的特点,提出一个新的优化算法,并通过Matlab实现了其在超声图像分割中的应用。实验结果比较及分析表明,结合改进粒子群的模糊聚类算法具有搜索全局最优解的能力,可得到很好的超声图像分割结果。