图像分割就是将感兴趣的目标从背景中提取出来的过程，它是图像处理到图像分析的一个重要步骤，在图像工程中占有十分重要的位置。图像分割已经广泛应用于计算机视觉、模式识别等许多领域。对图像分割的研究具有非常重要的意义。由于图像本身存在不确定性和复杂性，模糊聚类分析能够很好地描述这种问题，因此将模糊聚类分析用于图像分割具有很好的效果。在众多的模糊聚类分析方法中，模糊C均值（FuzzyC-Means，FCM）聚类算法是一种比较经典的算法，已经得到了广泛深入的研究。FCM算法不仅避免了阈值的设定，适合于处理模糊和不确定的问题。而且是一种无监督的聚类算法，不需要人工干预，适合于自动分割。因此，采用FCM聚类算法进行图像分割已经成为一个研究的主要方向。本文针对模糊C均值聚类算法在图像分割应用方面存在的一些问题进行了改进：首先，由于传统的模糊C均值聚类算法没有很好利用图像自身的空间信息，导致其对噪声十分敏感。针对这个问题，我们结合非局部均值的思想，利用图像自身的结构空间信息，提出了一种基于非局部的模糊C均值图像分割算法。该算法充分的利用了图像的空间信息，有效拟制噪声对分割结果的影响。该算法对不同噪声下不同图像的分割结果表明，该方法具有更好的分割结果。其次，传统模糊C均值图像分割算法在决定每个像素点的类标时，只是简单的利用单个像素点和聚类中心的差异来决定，没有很好的分析其邻域像素点的类标，在聚类中心更新时，用到了所有的像素点，这必然会导致聚类中心的偏移。基于以上问题，我们利用主成分分析得思想，合理的利用邻域信息，来确定每个像素点的类标；然后再利用粗糙集的思想，在每个聚类中心更新时，利用在这一类中的像素集合和处于这一类中心边缘的像素集合，提出了基于局部PCA和粗糙集的模糊C均值聚类算法。通过实验结果分析，该算法的分割结果优于其它对比算法。