随着模糊聚类分析技术和粗集理论的不断发展，模糊聚类分析技术和粗集理论已经在诸多领域获得了广泛的应用，其应用范围涉及到图像处理、计算机视觉、模式识别等相关领域。　　 图像分割是模式识别和计算机视觉中的一个经典问题，尤其在图像处理、分析和理解等领域中是一项关键技术，其分割结果的好坏直接影响到视觉系统的性能。由于成像中各种因素的影响，使得图像信息具有较为复杂的空间相关性和不确定性，而模糊聚类分析技术特别适合此类问题的解决。同时粗集理论对于处理不确定性信息的独特方式、相关信息提取能力，以及和其他智能方法的易融合性使得粗集理论在图像处理领域也具有良好的应用前景。　　 基于以上原因，论文研究了以模糊聚类理论为基础的模糊C-均值(FCM)算法，并针对其在图像分割应用中的不足之处进行了改进和革新。主要研究工作可归纳如下：　　 首先，提出了一种基于粗集理论的邻域约束FCM算法(RSFCM)，在目标函数中加入了经过粗集处理的邻域像素信息，对噪声有一定的抑制作用。　　 其次，借鉴神经网络里面的竞争学习的思想，对基于粗集理论的邻域约束FCM算法提出一种改进方案，以达到提高图像分割速度的目的。　　 最后，提出了一种基于粗集理论的FCM快速图像分割算法(FRSFCM)，利用粗集理论中不可分辨关系，对待处理图像根据灰度相似性进行划分，得到待处理图像的模糊平滑图像，然后在其灰度直方图上进行模糊聚类，在明显提高图像的分割速度的同时，可以有效抑制噪声。　　 实验结果表明论文所提出的基于粗集理论的FCM算法具有良好的分割性能。