从上个世纪六十年代至今,图像处理领域得到了蓬勃的发展,数字图像处理技术得到了广泛的应用,比如地理学领域的遥感卫星图像、医学领域的CT、MR图像、物理学领域的实验图像等等。图像处理的技术多种多样,例如图像分割、图像增强、图像配准等等。传统的图像处理技术都是以像素为单位,在像素级别上进行操作,像素作为最基本的处理单元,本身所包含的有用信息也较少,可提取的特征并不多。与像素不同的是,超像素是一个集合的概念,是用某种算法预先分割出来的原子区域,原子区域包含了单个像素所不具备的一些图像特征,比如形状、边界轮廓信息以及区域灰度直方图等,有利于提高图像处理的准确度,而且在时间复杂度方面超像素比起单个像素的处理也有较大提高。因此,近些年来超像素在图像处理领域的应用越来越流行。当前传统的超像素分割方法大都是针对自然图像的,基本上是采用二值逻辑硬性划分的准则来产生超像素,然而当采用这些方法处理具有显著模糊性特点的图像时,边界像素点的类别归属往往不能正确被划分,所以处理效果往往不尽人意,分割产生的超像素内部同时包含多种目标,超像素边界与实际目标物体边界的贴合程度较差,不利于进一步的图像处理工作。为了解决上述问题,本文进行了以下方面的工作：提出一种基于模糊理论的超像素分割方法(Superpixel Method Based on Fuzzy Theory, SMBFT),以模糊理论知识作为指导,利用传统模糊C均值聚类算法作为基础,重新设计目标函数,使用拉格朗日乘子法取得近似最优解表达式,然后经过不断地迭代优化,得到超像素分割结果。本文算法充分利用了模糊聚类在处理具有模糊性特点图像方面的优势,弥补了传统超像素分割方法在处理具此类图像时硬性划分的劣势,边界上不确定性较高的像素点能够以最大的概率被正确分类,使得分割产生的超像素边界和原始图像边界的贴合度较高,超像素内部目标也比较单一,介质均匀。同时,本文还考虑了像素点周围邻域信息的利用,增强了空间约束信息,有效地克服了噪声的影响,使本文提出的算法具有更好的鲁棒性。本文算法分别在Berkeley数据库中的自然图像和Brain web上模糊性相对明显的脑部MR图像上进行了应用。另外,本文还针对自然图像方面的传统两种评价指标无法确定权重的问题提出了一个综合评价准则,为不同应用选择适合的超像素算法提供了一个新的思路；在医学图像数据集方面的评价准则是计算超像素内部熵值,由于传统超像素方法尚未在医学图像领域做过验证实验,因此本文受到信息论中熵的概念的启发,提出了使用熵值这一评价准则。实验结果表明,本文方法在超像素生成效果上无论是在自然图像还是医学图像上都具有明显优势,证明了本文方法的有效性与普适性。