图像分割处于图像处理技术的基础环节，同时也是图像处理研究领域中最困难的研究项目之一。图像分割的质量决定了图像理解中的目标检测、特征提取和目标识别等的效果，这就意味着它决定了图像的最终分析质量和模式识别的判别结果。因此，图像分割意义重大。模糊聚类结合了模糊集理论和聚类理论，并将两者的优势集结了起来，所以成为图像分割常用的方法。模糊C均值聚类（FCM）算法是最具代表性的方法，它作为一种无监督的模糊聚类方法，在实现过程中避免了人为干预，使得算法在处理中具有更好的稳定性。该算法已经成功地应用于图像分割、数据挖掘、目标识别、医学诊断等领域。本文主要的研究对象是模糊C均值聚类算法，首先介绍了硬C均值聚类和传统的模糊C均值聚类算法，针对传统模糊C均值聚类算法的缺点，进行了两方面的改进：（1）首先采用分层减法聚类得到快速模糊C均值聚类，然后与HIS颜色空间相结合，得到基于HIS颜色空间的快速模糊C均值聚类算法，实验证明改进后算法的计算速度有所提高；（2）在HIS颜色空间中，首先计算图像像素的权重，根据权重来选择合适的初始聚类中心，进行模糊聚类，得到分割结果。提出了基于颜色空间和优化初始中心的模糊C均值聚类算法，并且采用一系列的相关实验来验证了该方法的有效性。最后，对本文的工作进行总结并指出下一步的工作和研究重点。