图像分割是根据一定准则将一幅图像分割成若干个特定的、具有独特性质的区域并提取出人们感兴趣的部分，它是图像处理及应用的重要组成部分，是图像识别、理解以及分析的重要依据。随着科技的快速发展，图像分割技术在社会发展中发挥着越来越重要的作用，应用于交通道路分析、特定场景分析和医学自动图像分析等方面，其图像分割的好坏直接影响后续工作的有效性。因此，图像分割是一项重要的技术。　　研究人员在图像分割方面做了大量的工作，但目前为止没有通用的分割方法。图像分割方法可以分为基于区域的图像分割方法、基于边缘检测的图像分割方法、基于图论的图像分割方法和基于聚类的图像分割方法。在聚类的图像分割方法中，模糊C均值聚类（Fuzzy C-mean clustering，FCM）算法是非常重要和广泛使用的分割方法。FCM算法主要是针对模糊和不确定的图像，对图像进行分割时，避免了阈值的设置问题，在聚类过程中不需要人工干预，实现了图像自动分割。经典的FCM算法在分割过程中仍存在一些问题。因此，本文针对FCM算法中聚类数和聚类中心的确定，对初始值敏感容易陷入局部极值、空间信息的使用，抗噪能力较差以及对线性不可分数据敏感问题进行改进。首先通过使用差分进化二维熵算法对图像分割获得目标和背景的中心，用作FCM算法的初始聚类中心，运用核模糊C均值聚类（Kernel FuzzyC-mean clustering，KFCM）算法完成有效分割。这种方法提高了FCM算法的分割速度，由于聚类数数目选取的有限性，不适用于医学图像的分割。针对这一问题，提出了基于非局部极值的KFCM图像分割算法。通过计算直方图中每个点的斜率，根据给定的规则确定聚类数和聚类中心，解决对初始值敏感，易陷入局部极值的问题；引入非局部滤波方法计算加权图像，将灰度信息和空间信息相结合，抑制了非局部空间信息图像中各像素的噪声，增强了分割精度；按照最大隶属度准则，把图像像素点归类，完成有效分割。通过在医学图像上进行实验验证，计算Jaccard相似性（Jaccard Similarity，JS）指标来定量分析分割精度。实验表明，本文算法既能有效去除噪声，也能很好地保留图像的细节，增强了分割的鲁棒性，提高了分割精度。