图像分割是图像处理过程中非常重要的部分,决定着最终的图像分析和图像理解的质量。虽然人们在图像分割方面做了许多的研究工作,但是目前尚无通用的分割理论。现已提出的分割算法大多是针对具体问题的,因此图像分割的评介方法和评价标准也就不同。但是针对每一类的图像分割,我们要根据应用要求选择最优的方法,同时为了满足图像分割提出的新要求,仍然要不断探索新的算法。本文主要针对图像分割领域中模糊聚类算法和距离保持水平集模型中存在的关键问题进行研究。首先,针对传统的模糊C均值算法具有易陷入局部极值、对初值敏感以及需事先指定分类数目等缺点,从目标函数中距离度量的改进、隶属度的修正等方面对其进行改进,提高该算法的抗噪性能;其次,引入粒子群算法对传统FCM算法进行优化,提出一种基于改进粒子群优化和模糊C均值聚类的图像分割算法,将PSO全局优化聚类结果作为后续FCM算法的初始聚类中心,同时在算法中引入粒子间的排斥作用以控制群体的多样性。再次,几何主动轮廓模型中的无需重新初始化的距离保持水平集模型虽然在很多方面优于基于边界和基于区域的主动轮廓模型,但其仍存在演化曲线对初始位置的依赖和弱边界导致的边界泄露问题。本文对距离保持模型进行改进,引入了基于区域的符号压力函数,一定程度上摆脱了对初始位置的依赖,初始曲线位于图像的任何地方,均能够较好的自动检测出图像的边界。最后,虽然距离保持水平集模型中加入基于区域的符号压力函数可以在一定程度上摆脱对初始位置的依赖,但是当演化到边界时,对于边缘较模糊的图像仍然会出现边界泄漏问题,因此在此基础上又引入了新的与图像信息相关的可变权系数,能够根据图像信息自适应的改变运动方向,同时提高了检测多层轮廓和弱边界的能力,也加快了演化速度。论文就模糊聚类和基于水平集方法的图像分割算法进行了研究和探讨,并对原有算法进行改进,对不同图像的实验结果表明了论文提出算法的有效性。