图像分割是进行图像处理的基础，同时是计算机视觉等领域的重要技术。图像分割结果的质量会直接影响后继的图像处理等应用的质量。由于图像本身的不确定性和不精确性使图像分割适用于模糊理论来分析，模糊C-均值（FCM）聚类算法是应用最广的一种聚类分析算法，很多学者将FCM算法应用于图像分割并给出了很多的改进研究。本文将渐进式聚类算法同FCM算法相结合，提出一种新的分割算法。本文主要完成了以下工作：本文首先针对渐进式聚类算法的需要，为了加快算法的收敛速度和提高算法的抗噪性，选取一种基于空间信息的FCM进行改进，提出了一种改进的FCM分割算法，该算法考虑每个像素点的邻域信息，将每个像素点的表示由单一的灰度值扩展为5维向量形式，包括该像素的灰度值、邻域均值、邻域均方差、B值和熵值。基于标准模糊C-均值（FCM）聚类的图像分割算法，当样本数据很大时，聚类需要消耗很长的时间。由于标准FCM图像分割算法仅使用了图像像素的灰度信息，而没有考虑像素之间的相互影响。因此，算法对噪声敏感，分割易出现严重误差。因FCM算法本身对初值敏感，容易陷入局部极小，所以FCM初值的设置一直是一个被关注的问题。同时传统的模糊聚类算法都是静态的或离线的，对图像的处理是对一幅图进行整体的处理，采用渐进式的聚类方法可以增强图像处理的动态性和实时性。渐进式聚类属于硬聚类算法，分割效率较高，通过与FCM算法的结合，用渐进式聚类的结果来初始化FCM，这又减小了FCM算法陷入局部极小的可能性。实验结果表明，这样改进的算法分割效率较高，同时有很高的分割正确率和较强的抗噪性。为将FCM算法与渐进式聚类相结合，本文改进了基于标准FCM的分割算法，将每个像素点扩充为5维向量形式，这样的变化考虑了图像的邻域信息，提高了FCM算法的分割效率、分割正确率和抗噪性。为进一步提高抗噪能力，参照基于空间信息的FCM算法，为目标函数加入空间罚项，进一步提高了算法的抗噪性，但是对边界的敏感是算法面临的一个问题。本文将改进的FCM算法与渐进式聚类算法相结合，通过设置处理阈值的方式，使渐进式聚类和FCM聚类交替进行，直到处理完所有图像像素。这样的结合使数据的处理由一个整体转变为动态增加的方式，同时渐进式聚类为FCM聚类提供初始聚类中心和划分矩阵，加快了FCM迭代的收敛速度，也降低了FCM迭代陷入局部极值的可能性。实验结果表明，本文提出的基于FCM的渐进式分割算法，对图像的分割有很好的抗噪性、分割正确率和较高的分割效率。