图像分割作为图像处理领域的基本问题之一,是自动目标识别技术中的一项关键技术,也是目标的特征提取、识别与跟踪的基础。图像分割技术已经在军事图像、遥感图像和医学图像等图像分析与处理的领域得到了广泛的应用。模糊聚类分析的图像分割算法是一种把图像分为C类的非监督聚类算法,其利用模糊性和不确定性的理论,分割效果符合人类视觉特性,成为图像分割算法研究的一个重要领域。但是模糊聚类算法应用于图像分割具有一定的缺陷,比如没有充分利用图像的空间信息、聚类数目难以确定、计算量大等问题,针对这些缺陷许多研究者提出了不同的解决方法。本文在研究这些方法的基础上,对模糊C均值（FCM）算法进行了一些改进,主要工作如下:1.为了解决空间模糊聚类在图像分割时,运算速度较慢的问题,提出一种利用原图像和其平滑图像的二维统计信息将图像从像素空间映射到二维直方图特征空间的方法,同时也将该方法应用空间核模糊聚类的图像分割。实验表明,该算法在不影响分割效果的前提下快速地对含噪图像进行分割,有效提高了运算效率。2.模糊聚类的图像分割聚类数目要预先确定,而且随机的中心点初始化方法容易增加迭代运算的时间和陷入局部极值。本文提出一种均值漂移与模糊聚类的联合算法,先利用均值漂移算法确定聚类的数目和中心点,再根据得到的信息用模糊聚类算法对图像进行分割。实验表明,该方法是一种具有自动分类能力的稳定性更强的模糊聚类图像分割算法。