图像分割是一个提取出图像中感兴趣的目标的技术和过程，是图像分析和理解的基础，它能够将图像分成各具特性的区域，在图像工程中占据了重要的地位。由于模糊理论对图像存在的不确定性有着较好的描述能力，模糊聚类能够通过描述样本类属的中介性进而客观地反映现实世界，因此逐渐成为聚类分析的主流，模糊聚类被广泛的应用在图像分割中，并取得了较好的效果。模糊C均值聚类算法(FCM)是众多模糊聚类算法中最为灵敏、也是应用最为广泛的一种算法，在图像分割中的应用尤为广泛。但是该算法很容易因陷入局部极小值而无法得到全局最优解；其缺点是对初始值的选取及其敏感，而且该算法的抗噪性能不好，使用该算法时，对于聚类的类别数必须预先知道，而聚类类别数一般是很难预先知道的。通过系统地对模糊C均值聚类算法的运行机理进行认识与分析，本文从两方面着手对该算法进行了改进。首先，（1）通过直方图的统计特性大致获得聚类分割数目，降低了算法对分割者知识和经验的依赖性；（2）通过直方图均衡化，将像素的区分度较小的图像变得更加清晰，图像的灰度范围变大；（3）对图像做自适应滤波处理，保留了图像的边界和图像的高频部分，产生比线性滤波更好的效果，降低了噪声对分割效果的影响；（4）充分利用图像的邻域灰度信息，代替传统的灰度信息，有效去除噪声对分割效果的影响；（5）结合K均值聚类算法，获得较为准确的聚类中心，避免了因初始聚类中心选择不当造成的死点问题。实验证明，该算法能更好的抑制噪声的干扰，提高了算法的分割精度。其次，由于传统的FCM算法忽略了图像的空间信息，而只考虑了图像的灰度信息，因而存在分割不完整的问题。本文通过图像的直方图大致确定聚类类别数，利用图像的二维直方图提供的邻域关系属性，在灰度和邻域灰度两方面进行聚类和更新，用加权欧氏距离代替传统的欧氏距离，改进了聚类目标函数。实验结果表明，改进算法较之于传统的FCM有更好的分割效果，提高了算法的鲁棒性，在含噪医学图像的分割处理中优势尤为明显。改进的FCM算法有效地克服了FCM对初值敏感的问题，同时提高了分割效果的准确性。