本文以二维骨组织病理切片显微图像为研究对象，通过对目标图像进行分析与计算，可获得骨组织结构的计量参数，从而进一步得到骨组织形态结构变化状况。　　计算机辅助识别切片的具体工作主要为:对某部位的组织切片或细胞涂片进行定量分析，提取目标区域各特征参数，判断组织是否发生病变并对区域分类及分级。在本文研究的骨组织病理切片显微图像中，由于骨组织病理图像的涂片制作和染色方式的差异性、细胞背景的复杂性、组织形态的多样性和不规则性等因素，使得骨组织区域的图像处理及识别难度较大。　　本文针对上述问题，从经典的机器学习算法-聚类算法出发，研究了模糊C均值聚类算法在骨组织病理图像分割问题上的应用，考虑到骨组织病理图像的形状特点和像素大小，提出了一种多层次的骨组织病理图像分割算法，包括粗分割、细分割、聚类和标记四个阶段。同时将核函数引入标准模糊C均值聚类算法，通过核函数把输入空间的样本映射到高维特征空间，并考虑邻域像素间的相互关系，在目标函数中加入邻域作用，使用改进的模糊C均值算法处理骨组织病理图像细分割结果，最终算法的分割效果相比单一使用模糊C均值算法有显著的性能提升。　　针对模糊C均值聚类算法对初始中心点敏感，易陷入局部极小值而难收敛到聚类中心的不足，本文提出了一种基于模糊理论的改进Ncut算法，将模糊C均值聚类算法与Ncut算法结合。基于骨组织病理图像中组织的外观特点，对Ncut算法的权值矩阵进行改进，引入“圆形率”的概念，基于模糊C均值聚类算法的粗粒度分割结果，使用改进的Ncut算法进行分割，并从量化的角度分析了基于模糊理论的改进Ncut算法的有效性和可靠性。