图像分割是指把图像分为各具特性的不重叠区域以提取出感兴趣目标的技术和过程,是数字图像处理技术中的关键技术之一,也是计算机视觉中的一个经典问题。图像分割是对图像进行分析理解的基础,在计算机视觉、模式识别、目标跟踪和医学图像处理等领域已经得到了广泛应用。由于图像在成像过程中受到各种因素的影响,导致待提取目标和背景之间具有一定的相似性和不确定性,而模糊理论和模糊图像处理技术适合于处理这种带有不确定性的问题。模糊聚类方法是处理图像分割问题的一个重要理论分支。目前在实际应用中广泛使用的是模糊C-均值(Fuzzy C-means, FCM)算法,它将聚类归结为一个带有约束的非线性规划问题,通过对目标函数的优化求解获得数据集的模糊划分。本文在对FCM基本理论及半监督学习深入研究的基础上,针对传统算法中存在的问题和在图像分割领域中存在的实际困难,将如何改善算法的初始聚类中心和提高算法对有噪声图像的处理能力作为研究重点,提出了自己的解决方法。本文主要获得以下研究成果:(1)提出了一种新的基于约束的半监督模糊C-均值算法,以少量标记数据组成约束信息集,将约束集中心作为算法的初始类中心并求取初始隶属度矩阵,提高算法的收敛速度,减少迭代次数,同时尽可能避免陷入局部最优。(2)在将FCM算法用于图像分割时,本文主要考虑空间分布信息对算法抗噪声性能的重要影响,有选择的利用部分邻域信息,在FCM目标函数中加入空间约束,并推导出最终的迭代优化公式。在标准图像和实际图像上的分割实验表明,改进算法在不显著增加计算时间的情况下提高了算法的鲁棒性。