在计算机视觉领域，图像分割是指将图像划分为不同区域，旨在简化或变换图像的表示，使其涵义更加明确，便于分析。图像分割结果的好坏，直接影响到目标表示与描述及特征提取的准确性，进而影响到模式识别和计算机视觉的研究。图像分割的算法很多，但没有通用的方法和策略，因此，一直被视为计算机视觉领域的瓶颈，激发着人们深入研究。图像分割存在“病态”特性。一方面，光照不均或其它外部因素使图像特征的边界变得含糊，难以明确区分；另一方面，人类知识认知和视觉感知的主观特性，使划分的标准常不唯一或呈现不确定性。这类概念的模糊性和不确定性，无法用经典集合理论有效建模，但能够通过模糊集合理论得到较好地解决。基于模糊集合的理论方法为图像分割中的模糊性分析提供了坚实的理论基础；利用模糊隶属度函数，能有效地刻画图像像素点隶属关系的模糊特性。模糊C均值（Fuzzy C-Means，FCM）算法是一种基于目标函数的模糊聚类方法，既能较好地刻画像素隶属关系的模糊特性，又能满足无监督分割的需求。FCM算法将图像分割问题转化为求解带约束的非线性规划的最优解问题；利用目标函数极小化，获取隶属度函数的最优分布，经去模糊处理实现像素的划分；该方法设计简单，易于实现，能且尤能对医学图像进行有效分割，因此成为近几年较受欢迎的图像分割方法。本文对基于FCM的图像分割方法进行了分析研究，主要完成以下工作：（1）研究分析了FCM聚类中心初始化方法和相似度度量的局限，提出基于参数初始化改进的FCM算法。FCM聚类中心随机初始化对分割产生较大影响，可能使目标函数陷入局部最小值，导致算法在不同执行过程中得到的聚类结果不一致；同时影响算法的收敛速度。为保证FCM算法能够较快收敛到较准确稳定的聚类中心，本文结合图像灰度直方图的统计特性进行聚类中心初始化。为增强改进算法对聚类结构的鲁棒性，借助高斯核函数，引入高维空间距离函数；给出高斯核函数径向宽度的估计方法。该算法在一定程度上提升了图像分割效果和效率。（2）研究分析了FCM图像分割算法的抗噪性能，结合空间关系、灰度关系和同质关系，构造邻域控制因子，提出一种自适应的FCM改进算法。邻域像素的相互作用，保证分割区域的灰度一致性；同时，被噪声污染的像素点聚类可因正常像素点的影响而得到纠正，从而提升算法的抗噪性。为进一步增强边缘区域的分割精度，对分割后的图像边缘进行局部邻域重新分割，保证改进算法在抗噪的同时，能够较好的保持边缘。